哈尔滨工业大学
- 当q=0时，ARMA(p,q)模型就退化成了AR(p)模型。（ ）
- 当对应齐次差分方程的特征根在单位圆内时，AR模型是平稳的。（ ）
- 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。（ ）
- 一个时间序列应被视为相应随机过程的实现（ ）
- https://image.zhihuishu.com/zhs/question-import/formula/202210/eb4b6084e4fc4658a5ec1caa8bc1e344.png
- 单位根过程都是非平稳过程。（ ）
- 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，此时应该考虑建立残差自回归模型。（ ）
- 指数平滑法中平滑系数越小预测效果越好。（ ）
- 有协整关系的两个变量序列一定是同阶单整的。（ ）
- ADF检验不属于平稳性检验。（ ）
- 白噪声序列一定是平稳序列。（ ）
- 时间序列模型是时间序列动态性和发展变化规律的客观描述，然而无法利用建立的时间序列模型对时间序列的未来取值进行预测。（ ）
- ADF可用于单位根检验，该检验本质上是一种t检验。（ ）
- 矩估计不需要假设总体分布。（ ）
- 线性最小均方误差预测是无偏的预测。（ ）
- 建立平稳时间序列模型就是从观察到的有限长度的平稳序列样本出发，通过模型的识别、模型的定阶、模型的参数估计、适应性检验等步骤建立起适合序列的ARMA模型，为预测和进一步分析做好准备。 （ ）
- https://image.zhihuishu.com/zhs/question-import/formula/202210/276772e99aa547e8917c62ff4af70dae.png
- ARMA(p,q)模型中：（ ）
- 下列关于平稳性的说法，正确的是（ ）
- ARIMA模型建模步骤包括（ ）。
- 含有线性趋势的时间序列是（ ）。
- 关于平稳ARMA模型的序列预测问题，下列公式正确的有（ ）。
- https://image.zhihuishu.com/zhs/question-import/formula/202210/0a6ecb0a3950434a930e1d5c41c19c43.png
- 对于自回归条件异方差模型，通常采用的估计方法是（ ）。
- 一个时间序列的年度数据由以下哪些组成部分（ ）
- https://image.zhihuishu.com/zhs/question-import/formula/202210/b8c3fe8196164e17b06b682c917fd68f.png
- 下列关于非平稳时间序列，不正确的是（ ）。
- AR(2)模型
，其中
=0.64，则E
=（ ） - 已知
，
主要与
相关。用记忆性来说，即为（ ）。 - 关于严平稳与宽平稳的关系，正确的为（ ）。
- 对AR(p)而言，随着向前预测步数的增大，预测误差将（ ）。
- 移动平均法是测定（ ）的一种较为简单的方法。
- 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MA(1)过程，其自相关和偏自相关图的特征为（ ）。
- 在对残差序列进行自相关检验时，若计算的DW统计量为2，则表明残差序列（ ）。
- 为了克服多重共线性，下列哪项是不合理的？（ ）
- 在2022年的6个月内，一家汽车经销商售出的汽车数量为18、16、28、51、47、55。前三个月的滑动平均数为（ ）？
- 下列ARMA(1,1)模型是否平稳和可逆？（ ）
对于以下ARIMA模型，正确的是（ ）
- 考虑MA(2)模型
，则其MA特征方程的根是（ ） - AR(2)模型为：
，则
（ ）。 - 如果时间趋势方程Y=a+bx中的原点向后移了2年，方程中的变量将X被替换为（ ）。
- 在给定的季度数据中，计算季节性指数的第一步是计算（ ）
- 考虑已知均值是零的MA(1）过程.基于一个长度n=3的序列，观测到Y1=0，Y2=-1， Y3=1/2。条件最小二乘估计值是（ ）。
- https://image.zhihuishu.com/zhs/question-import/formula/202210/00883d090ced40909e8c7514d3c44e43.png
- https://image.zhihuishu.com/zhs/question-import/formula/202210/abb4816e95914858be49ee39e9a543a7.png
- 时间序列中的滑动平均过程不受以下因素的影响。（ ）
- 产生虚假回归的原因是（ ）。
- 对于ACF拖尾，PACF截尾的时间序列，选择（ ）模型。
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，则可初步认为对其应该建立模型为（ ）。- https://image.zhihuishu.com/zhs/question-import/formula/202210/9405fb7b4f1f47b49f5652db2f4bdc71.png
- 如果Durbin Watson检验的结果接近于零，那么一阶自相关系数的值将是多少？（ ）
A:对 B:错
答案:对
A:对 B:错
答案:A:对
A:错 B:对
答案:对
A:对 B:错
答案:A:对
A:对 B:错
答案:
A:错 B:对
答案:对
A:对 B:错
答案:错
A:对 B:错
答案:错
A:对 B:错
答案:对
A:对 B:错
A:对 B:错
A:对 B:错
A:对 B:错
A:错 B:对
A:错 B:对
A:错 B:对
A:
B:
C:
D:
A:当p=0时，ARMA(p,q) 模型就退化为MA(q)模型； B:当q=0时，ARMA(p,q) 模型就退化为AR(p)模型； C:ARMA(p,q)模型的性质也正是AR (p)模型和MA(q)模型性质的有机组合。 D:AR(p)模型和MA(q) 模型实际上是ARMA(p,q)模型的特例，它们统称为 ARMA(p,q) 模型；
A:随机过程处于某种平稳状态，其主要性质与变量之间的时间间隔有关，而与所考察的起始点无关。 B:如果一个过程是严平稳的，并且具有有限方差，那么协方差函数一定只依赖于时间的滞后长度。 C:具有遍历性的随机过程在统计上必须是均衡的，也就是说必须是平稳的。 D:平稳性的基本思想是，决定过程特性的统计规律不随时间变化而变化。
A:拟合ARMA模型 B:白噪声检验 C:平稳性检验 D:差分运算
A:平稳时间序列 B:差分非平稳序列 C:非平稳时间序列 D:差分平稳序列
A:
B:
C:
D:
A:
B:
C:
D:
A:广义最小二乘法 B:岭回归方法 C:极大似然估计法 D:最小二乘法
A:季节性变化 B:长期和周期性变化 C:长期趋势 D:周期性波动
A:-0.4 B:-0.5 C:0.8 D:0.25
A:均值非平稳，方差和自协方差非平稳。 B:常用的处理方法为差分运算，平稳化的变换等等 C:常建立ARIMA模型，SARIMA模型 D:自协方差函数只依赖于时间的平移长度，而与时间的起止点无关。
A:0.16 B:0.2 C:0 D:0.64
A:二期记忆 B:四期记忆 C:一期记忆 D:三期记忆
A:AR模型生成的序列都是平稳的 B:ARMA模型生成的序列都是平稳的 C:方差存在且有界的MA模型生成的序列不一定都是平稳的 D:序列的样本自相关系数的取值不绝对为0有可能是样本估计导致的
A:变小 B:不变化 C:为零 D:变大
A:不规则变动 B:长期趋势 C:循环变动 D:季节变动
A:Durbin h检验统计量 B:t检验统计量 C:F检验统计量 D:DW检验统计量
A:ACF拖尾，PACF一阶截尾 B:ACF，PACF都一阶截尾 C:ACF一阶截尾，PACF拖尾 D:ACF，PACF都拖尾
A:不存在一阶序列相关 B:存在高阶序列相关 C:存在一阶正序列相关 D:存在一阶负序列相关
A:减少模型中的变量数量 B:这些都不是 C:在模型中增加更多的变量 D:增大样本量
A:20.67 B:51.00 C:31.67 D:42.00
A:平稳可逆 B:不平稳可逆 C:不平稳不可逆 D:平稳不可逆
A:ARIMA(2, 0, 3) B:ARIMA(3, 0, 2) C:ARIMA(3, 1, 2) D:ARIMA(2, 1, 3)
A:
B:
C:
D:
A:1 B:0 C:2.4 D:-0.5
A:X/2 B:X+2 C:X-2 D:不变
A:4个季度的滑动平均数 B:4个季度的滑动总数 C:抛弃最高值和最低值 D:2个季度的滑动总数
A:2 B:1/2 C:0 D:1
A:非平稳过程 B:平稳过程 C:方差非齐性过程 D:过差分过程
A:
B:
C:
D:
A:趋势和随机变化 B:季节性和周期性的变化 C:季节性和不规则的变化 D:趋势和周期性变化
A:自相关性 B:随机解释变量 C:异方差性 D:非平稳性
A:都不是 B:ARMA C:AR D:MA
A:ARI(2,1) B:ARIMA(2,1,2) C:IMA(1,2) D:MA(2)
A:0.48 B:0.36 C:0.12 D:0.24
A:接近于零 B:位于-1和1之间 C:接近于-1 D:接近于1
温馨提示支付 ￥5.00 元后可查看付费内容,请先翻页预览!
