提示:内容已经过期谨慎付费，点击上方查看最新答案
时间序列分析（山东联盟）
- 平稳时间序列的方差为（ ）。
- 关于严平稳与宽平稳的关系，正确的是（ ）。
- 如果序列1阶差分后平稳，并且该差分序列的自相关系数1阶截尾，偏自相关系数拖尾，则选用（ ）模型来拟合。
- 当样本容量n充分大时，样本自相关系数近似服从（ ）分布。
- 当回归因子包含延迟因变量时，检验残差序列自相关性的检验统计量是（ ）。
- 对于一阶移动平均模型MA（1）：
，其一阶自相关系数为（ ）。 - 关于ARIMA(0,1,0)模型，下列说法错误的是（ ）。
- 平稳时间序列的自协方差函数
只与（ ）有关。 - AR（1）模型
，其中
，则
的值为（ ）。 - 关于差分方程
，其通解的形式为（ ）。 - 若已知时间序列
满足模型：
，则其具体的ARIMA形式为( )。 - 记B为延迟算子,则下列不正确的是（ ）。
- 假设线性非平稳序列形如：
，其中
,
,
,
,则应对其进行（ ）阶差分后化成平稳序列。 - 通过直观的数据比较或绘图观测，寻找序列中蕴涵的发展规律，这种分析方法称为（ ）。
- 若零均值平稳序列
，其样本ACF呈现二阶截尾性，其样本PACF呈现拖尾性，则可初步认为对应该建立（ ）模型。 - 设平稳AR(1)模型为：
，则
（ ）。 - 随机序列的n个有序观察值，称为（ ）。
- 对于平稳时间序列来说，下列不正确的是（ ）。
的K阶差分是（ ）。- 从时间序列自相关的角度揭示时间序列发展规律的分析方法称为（ ）。
- 考虑AR(2)模型
,则AR特征方程的根为（ ）。 - 疏系数模型ARIMA((1,4),0,1)是指ARMA模型缺省了系数（ ）。
- MA(q)模型的自协方差函数只与滞后阶数相关，并且是（ ）的。
- 设
为一时间序列，B为延迟算子，则
（ ）。 - 若有非平稳序列经过自回归拟合后，其残差序列表现出互不相关，但是残差的平方序列存在显著的相关性，此时应该考虑建立（ ）。
- 下列模型中没有对条件方差进行建模的模型有（ ）。
- 记B为延迟算子,则下列正确的有（ ）。
- 对于非平稳时间序列进行差分，说法正确的是（ ）。
- AR(p)模型平稳的判别条件是（ ）。
- 模型检验包括（ ）。
- 自相关图里拖尾的原因有可能是用样本估计总体参数时有误差。（ ）
- 简单中心移动平均能有效的消除季节效应。（ ）
- 预测方差最小原则下的序列预测只适合进行1期预测。（ ）
- 修正预测能够提高预测的精度。（ ）
- 平稳AR(p)模型中，滞后k偏自相关系数，实际上就是k阶自回归模型的第k个回归系数的值。（ ）
- GARCH模型比ARCH模型在实际应用中更为广泛。（ ）
- Durbin h 检验常用于回归因子包含滞后因变量时残差序列的自相关性检验。（ ）
- GARCH模型可以转化为无穷阶的ARCH模型。（ ）
- 单位根过程都是非平稳过程。（ ）
- 非平稳过程的方差都是非齐性的。（ ）
- 平稳AR(p)模型的偏自相关系数具有拖尾性。（ ）
- 模型平稳，则对应的满足模型的序列也平稳。（ ）
- 多元非平稳序列之间在建立动态回归模型之前，应先进行协整检验。（ ）
- 当序列存在明显的季节效应时，应采用Holt两参数指数平滑法进行序列预测。（ ）
- 时间序列数据相比较截面数据更容易出现自相关性。（ ）
- 平稳AR模型自相关系数具有截尾性，偏自相关系数具有拖尾性。（ ）
- DW检验一定能给出序列是否存在相关性的检验结果。（ ）
- 季度自回归模型：
的偏自相关系数是4阶截尾的。（ ） - GARCH模型可以有效拟合长阶的ARCH模型。（ ）
- 不能用延迟算子B来表示时间序列的差分运算。（ ）
A:1 B:0 C:常数 D:
答案:错误AI参考:正确答案是C：常数。平稳时间序列是指序列的统计性质不随时间变化，即序列的均值和方差都为常数。因此，平稳时间序列的方差为常数。'
A:宽平稳序列一定是严平稳序列 B:MA模型不一定是宽平稳的 C:二阶矩存在的严平稳序列一定是宽平稳的 D:严平稳序列一定是宽平稳序列
答案:二阶矩存在的严平衡序列不一定是宽平稳序列
A:ARIMA(0，1，1) B:ARIMA(1，1，0) C:AR(1) D:MA(1)
答案:ARIMA(0,1,1)
A:卡方分布 B:偏态分布 C:t分布 D:正态分布
答案:错误AI参考:当样本容量n充分大时，样本自相关系数近似服从t分布。因此，正确答案是C：t分布。'
A:DW检验统计量 B:t 检验统计量 C:Durbin h检验统计量 D:F 检验统计量
答案:Durbin h检验统计量
A:0.25 B:-0.4 C:-0.5 D:0.8
AI参考:正确答案是B：-0.4。一阶移动平均模型MA（1）的自相关系数是负相关系数，随着滞后期的增加而减小，并逐渐趋近于-1。因此，对于一阶移动平均模型MA（1），其自相关系数为-0.4。'
A:该模型的一阶差分序列方差非齐性 B:该模型的方差为 C:该模型又称为随机游走模型 D:该模型又称为醉汉模型
AI参考:关于ARIMA(0,1,0)模型，下列说法错误的是C：该模型又称为随机游走模型。ARIMA(p,d,q)模型是一种时间序列分析模型，其中p表示自回归项，d表示差分次数，q表示移动平均项数。对于给定的模型ARIMA(0,1,0)，它表示没有自回归项，且已经对时间序列进行了差分。对于差分后的序列，它是平稳的，所以不会出现随机游走的情况。因此，该模型不是随机游走模型。其他选项中，A和B是关于模型本身的正确描述，D则表示该模型的一个别称，但并不准确。'
A: B: C: D:
AI参考:正确选项是C：平稳时间序列的自协方差函数只与时间间隔有关。自协方差函数是描述时间序列数据自身之间关系的统计量，其值取决于两个时间点之间的时间间隔。而选项A、B、D都与自协方差函数无关，因此不正确。选项C正确，因为时间间隔是自协方差函数唯一需要考虑的因素。'
A:0.4 B:0 C:0.04 D:0.2
AI参考:C.0.04。题目中给出的三个图片是按照AR（1）模型关系呈现的，即第一张图片大小与第二张图片大小之比等于第二张图片大小与第三张图片大小之比。根据题意，第二张图片大小为0.4933638339，第三张图片大小为0.0689843499，所以第三个图片大小与第二个图片大小的商为(0.4933638339/0.0689843499)=7.167，根据AR（1）模型关系，第三个图片大小与第二个图片大小的差应为第二个图片大小的0.167倍，即7.167×0.167=1.17，所以第三个图片大小为0.04。因此，正确答案是C选项。'
A: B: C: D:
AI参考:正确答案是D：差分方程的通解形式为常数。根据差分方程的定义，其通解的形式为常数，故答案为D。'
A:ARIMA(0,1,0) B:ARIMA(0,2,0) C:ARIMA(1,1,0) D:ARIMA(1,1,1)
A: B: C: D:
A:3 B:4 C:1 D:2
AI参考:这个问题描述了一个线性非平稳序列，即序列中的各个变量间没有明确的关系。对于这种序列，我们需要进行差分操作以使其变为平稳序列。在这种情况下，我们只需要进行一次差分操作就可以使序列变为平稳序列。所以，正确答案是C，即应对其进行1阶差分后化成平稳序列。'
A:频谱分析法 B:描述性时序分析 C:统计时序分析 D:自相关分析
A:ARIMA(2,1,2) B:MA(2) C:ARI(2,1) D:IMA(1,2)
A:3 B:0 C:2 D:1
AI参考:单选题正确答案是C：2。根据平稳AR(1)模型，p阶差分后得到的序列为白噪声序列，所以平稳AR(1)模型的参数应该为p=1-2=1-（-1）=2阶，因此选择C。这个题目的意思是求这个模型的参数值。选项A和B不符合题目要求，选项D也不是整数。'
A:观察值序列 B:时间序列 C:随机序列 D:有序序列
AI参考:正确答案是B：时间序列。时间序列是指随机序列的n个有序观察值，这些观察值可以是同一变量在不同时间上的取值，也可以是不同变量在相同时间上的取值。时间序列分析是统计学中常用的方法之一，可以帮助我们了解数据的分布、趋势和变化规律。因此，答案为B。'
A:方差为常数 B:自相关系数具有负定性 C:均值为常数 D:
A: B: C: D:
AI参考:正确答案是D：不用分析，只需要给出正确选项【单选题】
的K阶差分是：D。这个图片的差分阶数没有给出，无法确定。'A:模型分析法 B:频域分析法 C:谱分析 D:时域分析法
AI参考:正确答案是D：时域分析法。从时间序列自相关的角度揭示时间序列发展规律的分析方法称为时域分析法。时域分析法是一种直观分析方法，它直接在时间序列数据本身上进行计算、分析，得到有关时间序列变化规律的各种统计量，从而揭示时间序列的发展规律。这种方法不受量纲和类型限制，适用范围广泛。谱分析法是一种在频域中分析信号的方法，通常用于信号的分解或合成，而与时间序列分析关系不大。因此选项B、C不是正确答案。模型分析法主要是利用统计、时间序列等数学模型对经济变量进行分析的方法，其重点是经济变量之间的数量关系及其结构变化趋势，而与时序分析法的侧重点不同。因此，答案为D。'
A: B: C: D:
AI参考:正确答案是C。AR(2)模型的特征方程为：ρ²+ρ³+ρ²sin(ωt+φ)。所以其根为ρ，C选项为正确答案。需要注意的是，该题目要求选择一个正确答案，而给出的选项A、B、D都是不正确的。因此，需要仔细阅读题目并理解题意，确保选择正确的答案。'
A: B: C: D:
AI参考:正确答案是C。ARIMA((1,4),0,1)模型是自回归移动平均模型，模型中的数字代表AR模型的阶数和MA模型的阶数。在ARIMA模型中，参数(p,d,q)通常为数字，而不是符号或缺省值。在这种情况下，选项中只有C为数字，所以答案是C。其他选项B、D没有明确信息可以作为缺省系数，而A项与题意不符。'
A:拖尾 B:1阶截尾 C:q阶截尾 D:p阶截尾
AI参考:正确选项是【C:q阶截尾】。MA(q)模型的自协方差函数是q阶截尾的，这意味着它随着时间的推移而逐渐减少，但在q阶滞后后，它已经接近于零。因此，MA(q)模型的自协方差函数只与滞后阶数相关，并且是q阶截尾的。'
A: B: C: D:
AI参考:正确答案是C：无需再经过B处理。根据题意，第一个序列是由图片URL组成的，其中
的宽度和高度分别是24.6pt和24.0pt，这说明它是一个比较小的图像。然后使用B作为延迟算子处理它，这表示将第一个序列延后一段时间进行处理。接下来，题目给出第二个序列的URL是，由于它与第一个序列的宽度和高度不同，说明它是一个较大的图像，因此可以推断出它不需要经过B处理，即它已经经过了其他处理或已经是最终结果。因此，正确答案是C。'A:残差自回归模型 B:ARCH模型 C:ARIMA模型 D:确定性因素分解模型
A:残差自回归模型 B:确定性因素分解模型 C:ARCH模型 D:ARIMA模型
A: B: C: D:
AI参考:根据您提供的信息，选项 B 被标记为延迟算子。因此，关于正确选项的说法，如果一个选项以 B 开头，则可以被视为与延迟算子相关。所以，选项 C 和 D 是正确的选项。选项 A 和 B 不符合条件，而选项 C 和 D 则符合。因此，答案是 C和D。'
A:过度差分会使得样本容量减少 B:序列蕴含着非线性趋势时，通常1阶差分就可以提取出曲线趋势的影响 C:随机游走序列的差分是非平稳序列 D:过度差分会使方差变大
A:它的p个特征根都在单位圆外 B:它的p个特征根都在单位圆内 C:它的自回归系数多项式的根都在单位圆内 D:它的自回归系数多项式的根都在单位圆外
A:模型的有效性检验 B:模型是否最优 C:参数的显著性检验 D:模型是否为非纯随机序列
AI参考:模型检验通常包括以下三个方面：A. 模型的有效性检验：即模型是否能够准确地描述数据的变化趋势和规律。B. 模型是否为非纯随机序列：这是检验模型是否有效的另一个重要方面，如果模型中的随机项不是纯随机的，那么模型就不能很好地描述数据。因此，选项中包含的A和D都是模型检验的内容。其他选项如模型是否最优、参数的显著性检验等，通常是在模型建立和参数估计之后进行的，不属于模型检验的主要内容。所以，正确选项应为A和D，即模型检验包括模型的有效性检验和模型是否为非纯随机序列。'
A:错 B:对
A:对 B:错
AI参考:答案是B：错。简单中心移动平均是一种数据处理方法，主要用于数据平滑和趋势分析，但并不能有效地消除季节效应。对于消除季节效应，通常需要使用更复杂的季节调整方法，如ARIMA模型等。'
A:对 B:错
AI参考:答案是B：错。预测方差最小原则下的序列预测适合进行较长时期的预测，而不是只适合进行1期预测。在序列预测中，需要考虑历史数据的变化趋势、季节性、随机波动等因素，这些因素在不同时期的影响程度不同，因此需要进行较长时间的预测才能更好地利用历史数据，预测出更准确的未来数据。因此，预测方差最小原则下的序列预测适合进行较长时期的预测，而不是只适合进行1期预测。'
A:对 B:错
AI参考:答案是B：错。修正预测可能会提高预测的精度，但也可能导致预测结果偏离实际情况，从而降低预测的精度。因此，修正预测的效果取决于修正方法是否正确和修正后的预测是否符合实际情况。'
A:对 B:错
AI参考:正确答案是B：错。平稳AR(p)模型中，滞后k偏自相关系数实际上就是AR(p)模型中的滞后k系数的值。而并非是k阶自回归模型的第k个回归系数的值。因为AR(p)模型是一个自回归模型，它描述的是时间序列数据与其滞后的值之间的关系，而滞后k偏自相关系数描述的是时间序列数据与其滞后k个自回归系数的乘积之间的关系。因此，该判断题错误。'
A:错 B:对
A:对 B:错
A:错 B:对
A:错 B:对
A:对 B:错
A:错 B:对
AI参考:答案是B：对。平稳AR(p)模型的偏自相关系数具有拖尾性。AR(p)模型是一种自回归模型，其偏自相关系数是指滞后一期的自相关系数。如果一个模型的偏自相关系数具有拖尾性，那么它就具有更好的趋势性和持续性，有助于更好地描述时间序列数据的特征。因此，答案是B：对。'
A:对 B:错
A:对 B:错
AI参考:答案是B：错。多元非平稳序列之间在建立动态回归模型之前，应该先进行协整检验。协整检验可以确定多个非平稳序列之间是否存在长期稳定的均衡关系，如果存在协整关系，则可以将这些序列作为解释变量建立回归模型。如果多元非平稳序列之间不存在协整关系，则不能建立回归模型。因此，该判断题是错误的。'
A:错 B:对
AI参考:答案是B：对。Holt两参数指数平滑法是一种常用的时间序列预测方法，适用于存在明显季节效应的序列。它可以同时考虑序列的趋势和季节效应，从而得到更准确和可靠的预测结果。因此，当序列存在明显的季节效应时，应采用Holt两参数指数平滑法进行序列预测。'
A:对 B:错
A:错 B:对
A:对 B:错
A:错 B:对
A:错 B:对
A:错 B:对
AI参考:正确答案是B：对。时间序列的差分运算可以用延迟算子B来表示。延迟算子B可以将序列中的每一个元素与其前面的元素进行比较，得到一个新的序列，这个序列中每个元素的值等于前面元素的值减去当前元素的值，从而实现了时间序列的差分运算。因此，不能用延迟算子B来表示时间序列的差分运算的说法是错误的。'
温馨提示支付 ￥1.65 元后可查看付费内容,请先翻页预览!
