精品文档 浙江农林大学 2009 - 2010 学年第 二 学期考试卷（A 卷） 课程名称： 应用时间序列分析 课程类别： 必修 考试方式： 闭卷 注意事项：1、本试卷满分100分。 2、考试时间 120分钟。 一、单项选择题（在每小题的四个备选答案中，选出一个正确 答案，并将正确答案的选项填在题后的括号内。每小题2分，共12分） 1. 关于严平稳与（宽）平稳的关系，不正确的为 。 ( ) A. 严平稳序列一定是宽平稳序列 B. 当序列服从正态分布时，两种平稳性等价 C. 二阶矩存在的严平稳序列一定为宽平稳的 D. MA(p)模型一定是宽平稳的 2. 下图为某时间序列的相关检验图，图1为自相关函数图，图2为偏自相关函数图，请选择模型 。 ( ) 图1 图2 学院： 专业班级： 姓名： 学号： 装 订 线 内 不 要 答 题
A. AR(1) B. AR(2) C. MA(1) D. MA(2) 3. 下图中，图3为某序列一阶差分后的自相关函数图，图4为某序列一阶差分后的 偏自相关函数图，请对原序列选择模型。( ) 图3 图4
A.ARIMA(4，1，0) B. ARIMA(0，2，1) C. ARIMA(0，1，2) D.ARI MA(0，1，4) 4. 记B 为延迟算子，则下列不正确的是 。 ( ) A. 0 1B = B. (1)k t t k t X X B X --=- C. 12t t BX X --= D. 11()t t t t B X Y X Y --±=± 5.对于平稳时间序列，下列错误的是 ( ) A.)(212εσεE = B.),(),(k t t k t t y y Cov y y Cov -+= C.k k -=ρρ D.)(?)1(?1k y k y t t +=+ 6.下图为对某时间序列的拟合模型进行显著性水平0.05α=的显著性检验，请选择 该序列的拟合模型 。 ( )
青海民族大学 毕业论文 论文题目：时间序列分析方法及应用—以青海省GDP 增长为例研究 学生姓名：学号： 指导教师：职称： 院系：数学与统计学院 专业班级：统计学 二○一五年月日
时间序列分析方法及应用——以青海省GDP增长为例研究 摘要: 人们的一切活动，其根本目的无不在于认识和改造世界，让自己的生活过得更理想。时间序列是指同一空间、不同时间点上某一现象的相同统计指标的不同数值，按时间先后顺序形成的一组动态序列。时间序列分析则是指通过时间序列的历史数据，揭示现象随时间变化的规律，并基于这种规律，对未来此现象做较为有效的延伸及预测。时间序列分析不仅可以从数量上揭示某一现象的发展变化规律或从动态的角度刻画某一现象与其他现象之间的内在数量关系及其变化规律性，达到认识客观世界的目的。而且运用时间序列模型还可以预测和控制现象的未来行为，由于时间序列数据之间的相关关系（即历史数据对未来的发展有一定的影响），修正或重新设计系统以达到利用和改造客观的目的。从统计学的内容来看，统计所研究和处理的是一批有“实际背景”的数据，尽管数据的背景和类型各不相同，但从数据的形成来看，无非是横截面数据和纵截面数据两类。本论文主要研究纵截面数据，它反映的是现象以及现象之间的关系发展变化规律性。在取得一组观测数据之后，首先要判断它的平稳性，通过平稳性检验，可以把时间序列分为平稳序列和非平稳序列两大类。主要采用的统计方法是时间序列分析，主要运用的数学软件为Eviews软件。大学四年在青海省上学，基于此，对青海省的GDP十分关注。本论文关于对1978年到2014年以来的中国的青海省GDP（总共37个数据）进行时间序列分析，并且对未来的三年中国的青海省GDP进行较为有效的预测。希望对青海省的发展有所贡献。 关键词: 青海省GDP 时间序列白噪声预测
成都信息工程学院考试试卷 2012——2013学年第2学期 课程名称：《金融时间序列分析》 班级：金保111本01、02、03班 试卷形式：开卷□闭卷日 一、判断题（每题1分，正确的在括号内打"，错误的在括号内打x,共15分） 1?模型检验即是平稳性检验（）。 2.模型方程的检验实质就是残差序列检验（）。 3?矩法估计需要知道总体的分布（）。 4. ADF检验中：原假设序列是非平稳的（）。 5?最优模型确定准则：AIC值越小、SC值越大，说明模型越优（）。 6?对具有曲线增长趋势的序列，一阶差分可剔除曲线趋势（）。 7?严平稳序列与宽平稳时序区分主要表现在定义角度不同（）。 8?某时序具有指数曲线增长趋势时，需做对数变换，才能剔除曲线趋势（）9.时间序列平稳性判断方法中ADF检验优于序时图法和自相关图检验法（）10?时间序列的随机性分析即是长期趋势分析（）。 11 ? ARMA（ p,q ）模型是ARIMA（p,d,q）模型的特例（）。 12?若某序列的均值和方差随时间的平移而变化，则该序列是非平稳的（）。 13.MA（2）模型的3阶偏自相关系数等于0（）。 14.ARMA（p,q）模型自相关系数p阶截尾，偏自相关系数拖尾（）。 15 ? MA（q）模型平稳的充分必要条件是关于后移算子B的q阶移动自回归系数多项式根的绝 对值均在单位圆内（）。 二、填空题。（每空2分，共20分） 1? X t 满足ARMA（ 1,2 ）模型即：X t = 0.43+0.34 X t/+；t + 0.8 “ - 0.2 ；t＜，则均值 = _______________________ ，片（即一阶移动均值项系数）二 _______________________ 。
《应用时间序列分析》课程考试大纲 课程性质：专业限选课 总学时： 56 总学分： 3 开课学期：第5学期 适用专业：应用统计学专业 一、课程描述 《应用时间序列分析》作为统计学专业十分重要的专业限选课，在专业培养上有其特殊的地位，因为它是处理大量特殊结构数据的非常有效的一种统计方法，具有非常广泛的应用领域，通过这门课的学习，不仅要把前期的课程内容应用于其中，而且还要为后续的毕业实习、毕业论文打下坚实的理论和技术基础，提升统计学专业学生毕业后的就业能力。 二、考试内容及要求 第一章时间序列分析简介 1.了解时间序列的定义。 2.识记时间序列的基本性质。 3.了解时间序列的基本分析方法。 4.了解时间序列的应用软件介绍。 第二章时间序列的预处理 1.识记时间序列平稳性检验的定义和方法。 2.识记时间序列纯随机性检验的定义和方法。 3.熟练应用Eviews完成基本上机操作。 第三章平稳时间序列分析 1.了解平稳时间序列分析的方法性工具。 2.识记ARMA模型的性质。 3.熟练应用平稳序列完成建模过程。 4.熟练应用平稳序列进行预测。 5.熟练应用Eviews完成平稳序列建模的上机操作。 第四章非平稳序列的确定性分析 1.了解时间序列的分解方法。 2.了解确定性因素分解方法。 3.应用趋势分析的方法。 4.应用季节效应分析的方法。 5.应用综合分析的方法。 6.熟练应用Eviews完成非平稳序列建模的上机操作。 第五章非平稳序列的随机分析 1.识记差分运算方法。 2.应用ARIMA模型的方法。
3.应用残差自回归模型。 4.识记异方差的性质。 5.熟练应用Eviews完成非平稳序列的随机分析建模。 三、考试形式及要求 1.考试方式：考试类型分为小论文、笔试、出勤及课堂表现。 2.考试次数：期末总评成绩由平时考核成绩、阶段考核成绩和结课考核成绩三部分组成。阶段考核方式为小论文，结课考核为开卷考试，平时作业5次，课堂出勤及课堂表现每节课统计。 3.记分方式：采用百分制计分方式。 4.课程总评成绩构成：平时考核占总成绩的25%、阶段考核占总成绩的25%、结课考核占总成绩的50%。 平时考核和阶段考核重点考核单元知识的重点和难点，强调对学生平时课下学习、自学能力、创新意识和学习态度的考核。 结课考核的内容涵盖教学大纲中的全部教学内容，并加强对学生应用软件解决实际问题能力的考核。 四、教材及主要参考书 1.选用教材：王燕编著，《应用时间序列分析（第二版）》，中国人民大学出版社，2011年. 2.参考书：易丹辉主编，《时间序列分析：方法与应用》，中国人民大学出版社，2011年. 3.必读书：马慧慧，《Eviews统计分析与应用》，电子工业出版社，2016年版.
应用时间序列分析试卷 一 Document number【980KGB-6898YT-769T8CB-246UT-18GG08】
应用时间序列分析（试卷一） 一、 填空题 1、拿到一个观察值序列之后，首先要对它的平稳性和纯随机性进行检验，这两个重要的检验称为序列的预处理。 2、白噪声序列具有性质纯随机性和方差齐性。 3、平稳AR （p ）模型的自相关系数有两个显着的性质：一是拖尾性；二是呈负指数衰减。 4、MA(q)模型的可逆条件是：MA(q)模型的特征根都在单位圆内，等价条件是移动平滑系数多项式的根都在单位圆外。 5、AR （1）模型的平稳域是{}11<<-φφ。AR （2）模型的平稳域是 {}11,12221<±<φφφφφ且， 二、单项选择题 1、频域分析方法与时域分析方法相比（D ） A 前者要求较强的数学基础，分析结果比较抽象，不易于进行直观解释。 B 后者要求较强的数学基础，分析结果比较抽象，不易于进行直观解释。 C 前者理论基础扎实，操作步骤规范，分析结果易于解释。 D 后者理论基础扎实，操作步骤规范，分析结果易于解释。 2、下列对于严平稳与宽平稳描述正确的是（D ） A 宽平稳一定不是严平稳。 B 严平稳一定是宽平稳。 C 严平稳与宽平稳可能等价。 D 对于正态随机序列，严平稳一定是宽平稳。 3、纯随机序列的说法，错误的是（B ）
A时间序列经过预处理被识别为纯随机序列。 B纯随机序列的均值为零，方差为定值。 C在统计量的Q检验中，只要Q 时，认为该序列为纯随机序列，其 中m为延迟期数。 D不同的时间序列平稳性检验，其延迟期数要求也不同。 4、关于自相关系数的性质，下列不正确的是（D） A. 规范性； B. 对称性； C. 非负定性； D. 唯一性。 5、对矩估计的评价，不正确的是（A） A. 估计精度好； B. 估计思想简单直观； C. 不需要假设总体分布； D. 计算量小（低阶模型场合）。 6、关于ARMA模型，错误的是（C） A ARMA模型的自相关系数偏相关系数都具有截尾性。 B ARMA模型是一个可逆的模型 C 一个自相关系数对应一个唯一可逆的MA模型。 D AR模型和MA模型都需要进行平稳性检验。 7、MA（q）模型序列的预测方差为下列哪项（B） A、 []2 2 , Va() , l t l q r e l l q ξ ξ θθσ θθσ ?< ? =? > ?? 22 1-1 22 1q （1++...+） （1++...+） B、 []2 2 , Va() , l t l q r e l l q ξ ξ θθσ θθσ ?≤ ? =? > ?? 22 1-1 22 1q （1++?+） （1++?+） C、 []2 q 2 , Va() , t l l q r e l l q ξ ξ θθσ θθσ ?≤ ? =? > ?? 22 1-1 22 1 （1++?+） （1++?+） D、 []2 2 , Va() , l t l q r e l l q ξ ξ θθσ θθσ ?≤ ? =? > ?? 22 1-1 22 1q-1 （1++?+） （1++?+）
河南大学: 姓名:汪宝班级:七班学号:1122314451 班级序号:68 5:我国1949年－2008年年末人口总数(单位:万人)序列如表4－8所示(行数据)．选择适当的模型拟合该序列的长期数据，并作5期预测。 解：具体解题过程如下：（本题代码我是做一问写一问的） 1:观察时序图: data wangbao4_5; input x@@; time=1949+_n_-1; cards; 54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 80671 82992 85229 87177 89211 90859 92420 93717 94974 96259 97542 98705 100072 101654 103008 104357 105851 107507 109300 111026 112704 114333 115823 117171 118517 119850 121121 122389 123626 124761 125786 126743 127627 128453 129227 129988 130756 131448 132129 132802 ; proc gplot data=wangbao4_5; plot x*time=1; symbol1c=black v=star i=join; run; 分析:通过时序图,我可以发现我国1949年－2008年年末人口总数(随时间的变化呈现出线性变化.故此时我可以用线性模型拟合序列的发展． X t=a+b t+I t t=1,2,3,…,60 E(I t)=0,var(I t)=σ2 其中，I t为随机波动；X t=a+b就是消除随机波动的影响之后该序列的长期趋势。
考核课程 时间序列分析（B 卷） 考核方式 闭卷 考核时间 120 分钟 注：B 为延迟算子，使得1-=t t Y BY ；?为差分算子，。 一、单项选择题（每小题3 分，共24 分。） 1. 若零均值平稳序列{}t X ，其样本ACF 和样本PACF 都呈现拖尾性，则对{}t X 可能建立（ B ）模型。 A. MA(2) B.ARMA(1,1) C.AR(2) D.MA(1) 2.下图是某时间序列的样本偏自相关函数图，则恰当的模型是（ B ）。 A. )1(MA B.)1(AR C.)1,1(ARMA D.)2(MA 3. 考虑MA(2)模型212.09.0--+-=t t t t e e e Y ，则其MA 特征方程的根是（ C ）。 （A ）5.0,4.021==λλ （B ）5.0,4.021-=-=λλ （C ）5.2221==λλ， （D ） 5.2221=-=λλ， 4. 设有模型112111)1(----=++-t t t t t e e X X X θφφ，其中11<φ，则该模型属于（ B ）。 A.ARMA(2,1) B.ARIMA(1,1,1) C.ARIMA(0,1,1) D.ARIMA(1,2,1) 5. AR(2)模型t t t t e Y Y Y +-=--215.04.0，其中64.0)(=t e Var ，则=)(t t e Y E （ B ）。 A.0 B.64.0 C. 1 6.0 D. 2.0 6.对于一阶滑动平均模型MA(1): 15.0--=t t t e e Y ，则其一阶自相关函数为( C )。 A.5.0- B. 25.0 C. 4.0- D. 8.0 7. 若零均值平稳序列{}t X ?，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{}t X 应该建立（ B ）模型。 A. MA(2) B.)2,1(IMA C.)1,2(ARI D.ARIMA(2,1,2) 8. 记?为差分算子，则下列不正确的是（ C ）。 A. 12-?-?=?t t t Y Y Y B. 212 2--+-=?t t t t Y Y Y Y C. k t t t k Y Y Y --=? D. t t t t Y X Y X ?+?=+?） ( 二、填空题（每题3分，共24分）；
第三章20题 data yx_320; input x@@; t=intnx('quarter','1jul1971'd,_n_-1); format t yyq4; cards; 63.2 67.9 55.8 49.5 50.2 55.4 49.9 45.3 48.1 61.7 55.2 53.1 49.5 59.9 30.6 30.4 33.8 42.1 35.8 28.4 32.9 44.1 45.5 36.6 39.5 49.8 48.8 29 37.3 34.2 47.6 37.3 39.2 47.6 43.9 49 51.2 60.8 67 48.9 65.4 65.4 67.6 62.5 55.1 49.6 57.3 47.3 45.5 44.5 48 47.9 49.1 48.8 59.4 51.6 51.4 60.9 60.9 56.8 58.6 62.1 64 60.3 64.6 71 79.4 59.9 83.4 75.4 80.2 55.9 58.5 65.2 69.5 59.1 21.5 62.5 170 -47.4 62.2 60 33.1 35.3 43.4 42.7 58.4 34.4 ; proc gplot data=yx_320; plot x*t=1; symbol1c=red i=join v=circle; run; proc arima data=yx_320; identify var=x nlag=12; run; identify var=x nlag=12minic p=(0:6) q=(0:6); run; estimate p=1q=3; run; estimate p=1q=2noint; run; forecast lead=5id=t out=yx_320; run; proc gplot data=yx_320; plot x*t=1 forecast*t=2 l95*t=3 u95*t=3/overlay; symbol1c=balck i=none v=star; symbol2c=red i=join v=none; symbol3c=blue i=join v=none l=32; run;
《时间序列分析及应用：R语言》读书笔记 姓名：石晓雨学号：1613152019 （一）、时间序列研究目的主要有两个：认识产生观测序列的随机机制，即建立数据生成模型；基于序列的历史数据，也许还要考虑其他相关序列或者因素，对序列未来的可能取值给出预测或者预报。通常我们不能假定观测值独立取自同一总体，时间序列分析的要点是研究具有相关性质的模型。 （二）、下面是书上的几个例子 1、洛杉矶年降水量 问题：用前一年的降水量预测下一年的降水量。 第一幅图是降水量随时间的变化图；第二幅图是当年降水量与去年降水量散点图。 win.graph(width=4.875, height=2.5,pointsize=8) #这里可以独立弹出窗口 data(larain) #TSA包中的数据集，洛杉矶年降水量 plot(larain,ylab='Inches',xlab='Year',type = 'o') #type规定了在每个点处标记一下 win.graph(width = 3,height = 3,pointsize = 8) plot(y = larain,x = zlag(larain),ylab = 'Inches',xlab = 'Previous Year Inches')#zlag 函数(TSA包)用来计算一个向量的延迟，默认为1,首项为NA
从第二幅图看出，前一年的降水量与下一年并没有什么特殊关系。 2、化工过程 win.graph(width = 4.875,height = 2.5,pointsize = 8) data(color) plot(color,ylab = 'Color Property',xlab = 'Batch',type = 'o') win.graph(width = 3,height = 3,pointsize = 8) plot(y = color,x = zlag(color),ylab = 'Color Property',xlab = 'Previous Batch Color Property') len <- length(color) cor(color[2:len],zlag(color)[2:len])#相关系数>0.5549 第一幅图是颜色属性随着批次的变化情况。
浙江农林大学 2009 - 2010 学年第 二 学期考试卷（A 卷） 课程名称： 应用时间序列分析 课程类别： 必修 考试方式： 闭卷 注意事项：1、本试卷满分100分。 2、考试时间 120分钟。 一、单项选择题（在每小题的四个备选答案中，选出一个正确 答案，并将正确答案的选项填在题后的括号内。每小题2分，共12分） 1. 关于严平稳与（宽）平稳的关系，不正确的为 。 ( ) A. 严平稳序列一定是宽平稳序列 B. 当序列服从正态分布时，两种平稳性等价 C. 二阶矩存在的严平稳序列一定为宽平稳的 D. MA(p)模型一定是宽平稳的 2. 下图为某时间序列的相关检验图，图1为自相关函数图，图2为偏自相关函数图，请选择模型 。 ( ) 图1 图2 题号 一 二 三 四 五 得分 得分 评阅人 学院： 专业班级： 姓名： 学号： 装 订 线 内 不 要 答 题 得分
A. AR(1) B. AR(2) C. MA(1) D. MA(2) 3. 下图中，图3为某序列一阶差分后的自相关函数图，图4为某序列一阶差分后的 偏自相关函数图，请对原序列选择模型。( ) 图3 图4
A.ARIMA(4，1，0) B. ARIMA(0，2，1) C. ARIMA(0，1，2) D.ARI MA(0，1，4) 4. 记B 为延迟算子，则下列不正确的是 。 ( ) A. 0 1B = B. (1)k t t k t X X B X --=- C. 12t t BX X --= D. 11()t t t t B X Y X Y --±=± 5.对于平稳时间序列，下列错误的是 ( ) A.)(212εσεE = B.),(),(k t t k t t y y Cov y y Cov -+= C.k k -=ρρ D.)(?)1(?1k y k y t t +=+ 6.下图为对某时间序列的拟合模型进行显著性水平0.05α=的显著性检验，请选择 该序列的拟合模型 。 ( )
时间序列分析试卷1 一、 填空题（每小题2分,共计2０分） 1. ARMA(p, q)模型＿_＿___＿____＿___＿＿____＿______＿___＿，其中模型参数为＿＿ ___＿___＿_＿＿_＿__＿＿＿。 2. 设时间序列{}t X ，则其一阶差分为____＿___＿___＿＿_＿__＿__＿＿__。 3. 设AR ＭA (２， 1)： 1210.50.40.3t t t t t X X X εε---=++- 则所对应的特征方程为__＿＿_＿__＿_＿_＿_＿____＿_＿＿. 4. 对于一阶自回归模型A Ｒ（1)： 110t t t X X φε-=+＋,其特征根为_________，平稳域 是___＿___＿＿__＿______＿_＿__. 5. 设ARM Ａ（2, 1）：1210.50.1t t t t t X X aX εε---=++-,当ａ满足_______＿_时，模型 平稳。 6. 对于一阶自回归模型ＭA(1）： 10.3t t t X εε-=-,其自相关函数为__＿____________＿__＿___. 7. 对于二阶自回归模型AR （2）： 120.50.2t t t t X X X ε--=++ 则模型所满足的Yule-Wal ｋer 方程是______________＿__＿＿_＿_。 8. 设时间序列{}t X 为来自A ＲMA （p,q)模型: 1111t t p t p t t q t q X X X φφεθεθε----=++++++ 则预测方差为＿____＿___＿＿＿＿＿_＿＿＿_。 9. 对于时间序列{}t X ，如果_＿_＿＿____＿_____＿__＿,则()~t X I d 。 10. 设时间序列{}t X 为来自GARCH （p ，q ）模型，则其模型结构可写为＿______＿＿____。 二、（１0分）设时间序列{}t X 来自()2,1ARMA 过程,满足 ()()2 10.510.4t t B B X B ε-+=+,
系名____________班级____________姓名____________学号____________ 密封线内不答题 成都信息工程学院考试试卷 2012——2013学年第2学期 课程名称：《金融时间序列分析》 班级：金保111本01、02、03班 一、判断题（每题1分，正确的在括号内打√，错误的在括号内打×，共15分） 1．模型检验即是平稳性检验（ ）。 2．模型方程的检验实质就是残差序列检验（ ）。 3．矩法估计需要知道总体的分布（ ）。 4．ADF 检验中：原假设序列是非平稳的（ ）。 5．最优模型确定准则：AIC 值越小、SC 值越大，说明模型越优（ ）。 6．对具有曲线增长趋势的序列，一阶差分可剔除曲线趋势（ ）。 7．严平稳序列与宽平稳时序区分主要表现在定义角度不同（ ）。 8．某时序具有指数曲线增长趋势时，需做对数变换，才能剔除曲线趋势（ ）。 9．时间序列平稳性判断方法中 ADF 检验优于序时图法和自相关图检验法（ ）。 10．时间序列的随机性分析即是长期趋势分析（ ）。 11．ARMA （p,q ）模型是ARIMA(p,d,q)模型的特例（ ）。 12．若某序列的均值和方差随时间的平移而变化，则该序列是非平稳的（ ）。 13. MA(2)模型的3阶偏自相关系数等于0（ ）。 14．ARMA(p,q)模型自相关系数p 阶截尾，偏自相关系数拖尾（ ）。 15．MA(q)模型平稳的充分必要条件是关于后移算子B 的q 阶移动自回归系数多项式根的绝对值均在单位圆内（ ）。 二、填空题。（每空2分，共20分） 1．t X 满足ARMA （1,2）模型即：t X ＝0.43+0.341-t X +t ε＋0.81-t ε–0.22-t ε，则均值＝ ，1θ（即一阶移动均值项系数）＝ 。 2．设｛x t ｝为一时间序列，B 为延迟算子，则B 2 X t = 。 3．在序列y 的view 数据窗，选择 功能键，可对序列y 做ADF 检验。 4．若某平稳时序的自相关图拖尾，偏相关图1阶截尾，则该拟合 模型。
第四章：非平稳序列的确定性分析 题目一： ()()()()()()()12312123121231 ?14111??2144451 . 1616T T T T T T T T T T T T T T T T T T T T T x x x x x x x x x x x x x x x x x x x x x -------------=+++?? =+++=++++++????=+++ 题目二： 因为采用指数平滑法，所以1,t t x x +满足式子()11t t t x x x αα-=+-，下面式子 ()()1 1111t t t t t t x x x x x x αααα-++=+-??? =+-?? 成立，由上式可以推导出()()11111t t t t x x x x αααα++-=+-+-????，代入数据得：2 =5 α. 题目三： ()()()2122192221202019200 1 ?1210101113=11.251 ? 1010111311.2=11.04.5 ???10.40.6.i i i x x x x x x x x αα-==++++=++++===+-=?∑（1）（2） 根据程序计算可得：22?11.79277.x = ()222019181716161?2525x x x x x x =++++（3）可以推导出16,0.425a b ==，则4 25 b a -=-. 题目四： 因为,1,2,3, t x t t ==，根据指数平滑的关系式，我们可以得到以下公式： ()()()()()()() ()()()()()()()() 2 2 1 2 21 11121111 1111311. 2t t t t t t t x t t t x t t αααααααααααααααααααα----=+-------=-+---+--+++2+， + +2+用（1）式减去（2）式得： ()()()()()2 21=11111. t t t t x t αααααααααααα------------- 所以我们可以得到下面的等式： ()()()()()()1 2 2111=11111=. t t t t t x t t αααααααα +---------- -------
姓名：葛国峰学号：1122307851 编号：33 习题2.3 2.解： data b; input y@@; time=intnx('month','1jan1975'd,_n_-1); format time data; cards; 330.45 330.97 331.64 332.87 333.61 333.55 331.90 330.05 328.58 328.31 329.41 330.63 331.63 332.46 333.36 334.45 334.82 334.32 333.05 330.87 329.24 328.87 330.18 331.50 332.81 333.23 334.55 335.82 336.44 335.99 334.65 332.41 331.32 330.73 332.05 333.53 334.66 335.07 336.33 337.39 337.65 337.57 336.25 334.39 332.44 332.25 333.59 334.76 335.89 336.44 337.63 338.54 339.06 338.95 337.41 335.71 333.68 333.69 335.05 336.53 337.81 338.16 339.88 340.57 341.19 340.87 339.25 337.19 335.49 336.63 337.74 338.36 ; run; proc gplot; plot y*time; symbol1v=dot i=join c=black w=3; proc arima data=b; identify var=y nlag=24; run; （1）序列图：
. 浙江农林大学 2009 - 2010 学年第 二 学期考试卷（A 卷） 课程名称： 应用时间序列分析 课程类别： 必修 考试方式： 闭卷 注意事项：1、本试卷满分100分。 2、考试时间 120分钟。 一、单项选择题（在每小题的四个备选答案中，选出一个正确 答案，并将正确答案的选项填在题后的括号内。每小题2分，共12分） 1. 关于严平稳与（宽）平稳的关系，不正确的为 。 ( ) A. 严平稳序列一定是宽平稳序列 B. 当序列服从正态分布时，两种平稳性等价 C. 二阶矩存在的严平稳序列一定为宽平稳的 D. MA(p)模型一定是宽平稳的 2. 下图为某时间序列的相关检验图，图1为自相关函数图，图2为偏自相关函数图，请选择模型 。 ( ) 图1 学院： 专业班级： 姓名： 学号： 装 订 线 内 不 要 答 题
图2 A. AR(1) B. AR(2) C. MA(1) D. MA(2) 3. 下图中，图3为某序列一阶差分后的自相关函数图，图4为某序列一阶差分后的偏自相关函数图，请对原序列选择模型。( ) 图3
图4 A.ARIMA(4，1，0) B. ARIMA(0，2，1) C. ARIMA(0，1，2) D.ARI MA(0，1，4) 4. 记B 为延迟算子，则下列不正确的是 。 ( ) A. 0 1B = B. (1)k t t k t X X B X --=- C. 12t t BX X --= D. 11()t t t t B X Y X Y --±=± 5.对于平稳时间序列，下列错误的是 ( ) A.)(212εσεE = B.),(),(k t t k t t y y Cov y y Cov -+=
说明：答案请答在规定的答题纸或答题卡上，答在本试卷册上的无效。 一、填空题（本题总计25分） 1. 常用的时间序列数据，有年度数据、（ ）数据和（ ） 数据。另外，还有以（ ）、小时为时间单位计算的数据。 2. 自相关系数j ρ的取值范围为（ ）；j ρ与j -ρ之间的关系是（ ）；0ρ=（ ）。 3.判断下表中各随机过程自相关系数和偏自相关系数的截尾性，并用 2. 如果随机过程{}t ε为白噪音，则 t t Y εμ+= 的数学期望为 ；j 不等于0时，j 阶自协方差等于 ，j 阶自相关系数等于 。因此，是一个 随机过程。 1.（2分）时间序列分析中，一般考虑时间（ ）的（ ）的情形。 3. （6分）随机过程{}t y 具有平稳性的条件是： （1）（ ）和（ ）是常数，与 （ ）无关。 （2）（ ）只与（ ）有关，与 （ ）无关。 7. 白噪音的自相关系数是：
1.白噪音{}t y 的性质是：t y 的数学期望为 ，方差为 ；t y 与j -t y 之间的协方差为 。 1.（4分）移动平均法的特点是：认为历史数据中（ ）的数据对未来的数值有影响，其权数为（ ），权数之和为（ ）；但是，（ ）的数据对未来的数值没有影响。 2. 指数平滑法中常数α值的选择一般有2种： （1）根据经验判断，α一般取 。 （2）由 确定。 3. （5分）下述随机过程中，自相关系数具有拖尾性的有（ ），偏自相关系数具有拖尾性的有（ ）。 ①平稳(2) ②(1) ③平稳(1,2) ④白噪 音过程 4.（5分）下述随机过程中，具有平稳性的有（ ），不具有平稳性的有（ ）。 ①白噪音 ②t t y 1.23t+ε=+ ③随机漂移过程 ④t t t 1y 16 3.2εε-=++ ⑤t t y 2.8ε=+ 2.（3分）白噪音{}t ε的数学期望为（ ）；方差为（ ）；j 不等于0时，j 阶自协方差等于（ ）。 （2）自协方差与（ ）无关，可能与 （ ）有关。 3. （5分）下述随机过程中，自相关系数具有截尾性的有（ ），偏自相关系数具有截尾性的有（ ）。
统计学期末考试试题（一） 1、一个统计总体（ d ） A、只能有一个标志 B、只能有一个指标 C、可以有多个标志 D、可以有多个指标 2、调查某大学2000名学生学习情况，则总体单位是（ C ） A 、2000名学生B、2000名学生的学习成绩 C、每一名学生 D、每一名学生的学习成绩 3、某地进行国有商业企业经营情况调查，则调查对象是( b )。 A、该地所有商业企业 B、该地所有国有商业企业 C、该地每一国有商业企业 D、该地每一商业企业 4、以下哪种调查的报告单位与调查单位是一致的( C )。 A、工业普查 B、工业设备调查 C、职工调查 D、未安装设备调查 5、某市进行工业企业生产设备普查，要求在7月1日至7月10日全部调查完毕，则这一时间规定是( b )。 A、调查时间 B、调查期限 C、标准时间 D、登记期限 6、某连续变量分为5组：第一组为40——50，第二组为50——60，第三组为60——70，第四组为70——80，第五组为80以上，则（ B ） A、50在第一组，70在第四组 B、60在第三组，80在第五组 C、70在第四组，80在第五组 D、80在第四组，50在第二组 7、已知某局所属12个工业企业的职工人数和工资总额，要求计算该局职工的平均工资，应该采用( a ) A、简单算术平均法 B、加权算术平均法 C、加权调和平均法 D、几何平均法 8、用水平法检查长期计划完成程度，应规定( B ) A、计划期初应达到的水平 B、计划期末应达到的水平 C、计划期中应达到的水平 D、整个计划期应达到的水平 9、某地区有10万人，共有80个医院。平均每个医院要服务1250人，这个指标是（ C ）。 A、平均指标 B、强度相对指标 C、总量指标 D、发展水平指标 10、时间序列中，每个指标数值可以相加的是（ b ）。 A、相对数时间序列 B、时期数列 C、间断时点数列 D、平均数时间序列 11、根据时间序列用最小平方法配合二次曲线，所依据的样本资料的特点是（ b ）。
成都信息工程学院考试试卷 2012—— 2013学年第2学期 课程名称：《金融时间序列分析》 班级：金保111本01、02、03班 一、判断题（每题1分，正确的在括号内打错误的在括号内打 X,共15分） 1 .模型检验即是平稳性检验（）。 2. 模型方程的检验实质就是残差序列检验（） 3. 矩法估计需要知道总体的分布（）。 4. ADF检验中：原假设序列是非平稳的（）。 5. 最优模型确定准则：AIC值越小、SC值越大，说明模型越优 （）。 6. 对具有曲线增长趋势的序列，一阶差分可剔除曲线趋势 （）。
7. 严平稳序列与宽平稳时序区分主要表现在定义角度不同 8. 某时序具有指数曲线增长趋势时，需做对数变换，才能剔除曲线 趋势( )。 9 ?时间序列平稳性判断方法中ADF检验优于序时图法和自相关图 检验法( )。 10 .时间序列的随机性分析即是长期趋势分析( )。 11. ARMA(p,q )模型是ARIMA(p,d,q)模型的特例( )。 12 .若某序列的均值和方差随时间的平移而变化，则该序列是非平稳的( )0 13. MA(2)模型的3阶偏自相关系数等于0( ) 14. ARMA(p,q)模型自相关系数p阶截尾，偏自相关系数拖尾 ( )0 15. MA(q)模型平稳的充分必要条件是关于后移算子B的q阶移动自回归系数多项式根的绝对值均在单位圆内( )。 二、填空题。(每空2分，共20分) 1 . X t满足ARMA(1, 2 )模型即：X t = 0.43+0.34 X「+ t + 0.8 t 1 - 0.2 t 2，则均值= ___________________________ ， 1 (即一阶移
时间序列分析在房地产业中的应用分析 摘要：从改革开放以来中国经济快速增长，特别是第三产业的的快速增长取得了令人瞩目的成绩，同时在第三产业的内部各行业也在相互影响着,其中我们选取了第三产业的经济增长指数的房地产行业作为分析对象。首先看此数据的气势，在应用差分运算的方法对其进行平稳化，再根据相关的理论知识进行模型的建立和分析，以此来了解文莱房地产行业及整个第三产业的经济动态，同时为以后的决策提供相关的数据支持。 关键字：时间序列 差分 ARMA 模型 单位根检验 预测 1.引言 近几年来房地产行业一直过热，其增长态势一浪接一浪，就《新财富》杂志在2003年推出《新财富》400富人榜，据悉，这400个人的财富总和为3031亿元，400人中，共76人是以房地产为主业，占了19%。再加上走综合类中部分涉足房地产行业的，房地产将超过制造业成为产生富豪最多的行业。而早些时候的“《福布斯》2002中国内地富豪榜”中，50%的人涉足或以房地产为主业。这都表明房地产已经成为中国聚集到支柱产业，现在看来该行业已开始出现过热的现象，在2012年中，国家又出台了许多调控政策使得该行业的势头有所减弱，因而对其分析或预测未来的发展态势成为一种必要，我们选取的我1978年到2010的数据作为分析对象，通过用ARMA 模型对样本进行建模对以后房地产行业的增长指数进行预测。 ARMA 模型的全称是自回归移动平均（auto regression moving average ）模型，它是目前最常用的拟合平稳序列的模型，它对时间序列的拟合具有很好的效果，本文将会充分利用这种分析方法对所选取的数据进行良好的分析和拟合。 2．ARMA 模型的介绍 ARMA 模型（Auto-Regressive and Moving Average Model ）是研究时间序列的重要方法，由自回归模型（简称AR 模型）与滑动平均模型（简称MA 模型）为基础“混合”构成。在市场研究中常用于长期追踪资料的研究，如：Panel 研究中，用于消费行为模式变迁研究；在零售研究中，用于具有季节变动特征的销售量、市场规模的预测等。 ARMA 模型的基本原理：将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，影响因素的影响，另一方面，又有自身变动规律，假定影响因素为x1，x2，…，xk ，由回归分析，其中Y 是预测对象的观测值， e 为误差。作为预测对象Yt 受到自身变化的影响，其规律可由下式体现，误差项在不同时期具有依存关系，由下式表示，由此，获得ARMA 模型表达式：公式里的Xt1应该是Xt-1。 模型的基本形式：AR 模型：AR 模型也称为自回归模型。它的预测方式是通过过去的观测值和现在的干扰值的线性组合预测， 自回归模型的数学公式为: 1122t t t p t p t y y y y φφφε---=++++ 式中: p 为自回归模型的阶数i φ（i=1，2， ，p ）为模型的待定系数，t ε为误差， t y 为一个平稳时间序列；MA 模型：MA 模型也称为滑动平均模型。它的预测方式是通过过去的干扰值和现在的干扰值的线性组合预测。滑动平均模型的数学公式为: 1122t t t t q t q y εθεθεθε---=---- 式中: q 为模型的阶数； j θ（j=1，2， ，q ）为模型的待定系数；t ε为误差； t y 为平稳时间序列；ARMA 模型：自回归模型和滑动平均模型的组合， 便构成了用于描述平稳随机
时间序列分析及其应用 摘要:本文介绍了目前时间序列分析的发展状况以及应用情况,对常见的几种趋势拟合及其预测方法进行了简要叙述。 关键词:时间序列趋势建模 1 引言 时间序列分析是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法,研究随机数据序列所遵从的统计规律,以用于解决实际问题。它包括一般统计分析(如自相关分析,谱分析等),统计模型的建立与推断,以及关于时间序列的最优预测、控制与滤波等内容。经典的统计分析都假定数据序列具有独立性,而时间序列分析则侧重研究数据序列的互相依赖关系。后者实际上是对离散指标的随机过程的统计分析,所以又可看作是随机过程统计的一个组成部分。时间序列是按时间顺序的一组数字序列。时间序列分析就是利用这组数列,应用数理统计方法加以处理,以预测未来 事物的发展。时间序列分析是定量预测方法之一,它的基本原理:一是承认事物发展的延续性。应用过去数据,就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响,为此要利用统计分析中加权平均法对历史数据进行处理。 2 时间序列分析的趋势及建模 时间序列分析的成分有:(1)长期趋势,即时间序列随时间的变化而逐渐增加或减少的长期变化的趋势;(2)季节变动,即时间序列在一年中或固定时间内,呈现出的固定规则的变动;(3)循环变动,即
沿着趋势线如钟摆般地循环变动;(4)不规则变动,即在时间序列中由于随机因素影响所引起的变动。 时间序列建模基本步骤是:用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据;根据动态数据作相关图,进行相关分析,求自相关函数。相关图能显示出变化的趋势和周期,并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象,则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点,则在建模时必须用不同的模型去分段拟合该时间序列,例如采用门限回归模型。然后辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。 主要的趋势拟合方法有平滑法、趋势线法和自回归模型。对于很多情况,时间序列具有季节趋势,比如气象学中的气温、降雨量,水文学中雨季和干季的河流水量等等。这就需要分析时间序列时,将季节趋势考虑在内。季节性预测法的基本步骤是(1)对原时间序列求移动平均,以消除季节变动和不规则变动,保留长期趋势;(2)将原序列y除以其对应的趋势方程值(或平滑值),分离出季节变动(含不规则变动),即季节系数=tsci/趋势方程值(tc或平滑值);(3)将月度(或季度)的季节指标加总,以由计算误差导致的值去除理论加总值,得到一个校正系数,并以该校正系数乘以季节性指标从而获得调整后季节性指标;(4)求预测模型,若求下一年度的预测值,延长趋势线即可;若求各月(季)的预测值,需以趋势值乘以各月份(季