下载文档原格式
第一章习题答案略第二章习题答案2.1答案：（1）非平稳，有典型线性趋势（2）延迟1-6阶自相关系数如下：（3）典型的具有单调趋势的时间序列样本自相关图2.2（1）非平稳，时序图如下（2）1-24阶自相关系数如下（3）自相关图呈现典型的长期趋势与周期并存的特征2.3R命令答案（1）1-24阶自相关系数（2）平稳序列（3）非白噪声序列Box-Pierce testdata: rainX-squared = 0.2709, df = 3, p-value = 0.9654X-squared = 7.7505, df = 6, p-value = 0.257X-squared = 8.4681, df = 9, p-value = 0.4877X-squared = 19.914, df = 12, p-value = 0.06873X-squared = 21.803, df = 15, p-value = 0.1131X-squared = 29.445, df = 18, p-value = 0.04322.4答案：我们自定义函数，计算该序列各阶延迟的Q统计量及相应P值。
由于延迟1-12阶Q统计量的P值均显著大于0.05，所以该序列为纯随机序列。
2.5答案（1）绘制时序图与自相关图（2）序列时序图显示出典型的周期特征，该序列非平稳（3）该序列为非白噪声序列Box-Pierce testdata: xX-squared = 36.592, df = 3, p-value = 5.612e-08X-squared = 84.84, df = 6, p-value = 3.331e-162.6答案（1）如果是进行平稳性图识别，该序列自相关图呈现一定的趋势序列特征，可以视为非平稳非白噪声序列。
如果通过adf检验进行序列平稳性识别，该序列带漂移项的0阶滞后P值小于0.05，可以视为平稳非白噪声序列Box-Pierce testdata: xX-squared = 47.99, df = 3, p-value = 2.14e-10X-squared = 60.084, df = 6, p-value = 4.327e-11（2）差分序列平稳，非白噪声序列Box-Pierce testdata: yX-squared = 22.412, df = 3, p-value = 5.355e-05X-squared = 27.755, df = 6, p-value = 0.00010452.7答案（1）时序图和自相关图显示该序列有趋势特征，所以图识别为非平稳序列。
第四章：非平稳序列的确定性分析题目一：()()()()()()()12312123121231ˆ14111ˆˆ2144451.1616T T T T T T T T T T T T T T T T T T T T T xx x x x xx 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()()11111t t t t t tx 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=5α. 题目三：()()()21221922212020192001ˆ1210101113=11.251ˆ 1010111311.2=11.04.5ˆˆˆ10.40.6.i i i xxxx x x x x αα-==++++=++++===+-=⋅∑（1）（2）根据程序计算可得：22ˆ11.79277.x= ()222019181716161ˆ2525xx x x x x =++++（3）可以推导出16,0.425a b ==，则425b 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：()()()()()()()()()()()()()()()221221 11121111 1111311. 2t t t t t tt x t t t x t t αααααααααααααααααααα----=+-------=-+---+--+++2+， ++2+用（1）式减去（2）式得：()()()()()221=11111.t t tt x t αααααααααααα-------------所以我们可以得到下面的等式：()()()()()()122111=11111=.t t t tt x t t αααααααα+-----------------()111lim lim 1.ttt ttxt tααα+→∞→∞----==题目五：1. 运行程序：最下方。
时间序列分析第五章作业T1（p164第1题）：程序：rm(list=ls())# 清空工作环境P5T1data=read.table("C:\\Users\\DMXTC\\Documents\\SJXLZY_data\\E5_1.txt ",header=T)r5_1<-as.matrix(P5T1data$货运量)d5_1<-as.vector(t(r5_1))T5_1<-ts(d5_1,start=1949)# 绘制时序图par(mfrow=c(1,1))plot(T5_1,type = "o",col="blue",pch=13,main="表5-2时序图")diff_T5_1<-diff(T5_1)#1阶差分plot(diff_T5_1,type = "o",col="blue",pch=13,main="一阶差分后时序图")# ADF检验library(aTSA)adf.test(diff_T5_1)# 纯随机性检验for (k in 1:2)print(Box.test(diff_T5_1,lag=6*k))# 绘制自相关图和偏自相关图par(mfrow=c(1,2))acf(diff_T5_1)pacf(diff_T5_1)# x<-window(T5_1,start=1949,end = 1998)# test<-window(T5_1,start=1999)library(forecast)fit1<-Arima(T5_1,order=c(1,1,0),include.drift=T)fit1tsdiag(fit1)fore1<-forecast::forecast(fit1,h=5)fore1par(mfrow=c(1,1))plot(fore1,lty=2)lines(fore1$fitted,col=4)分析：首先我们绘制时序图如下：时序图显示该序列具有显著线性递增趋势，这是典型的非平稳序列特征，对该序列进行1阶差分，差分后时序图如下：差分后序列基本围绕在0值附近波动，已经没有明显的趋势特征，为进一步确定差分后序列的平稳性，对差分后的序列进行ADF检验，其检验结果显示如下：> adf.test(diff_T5_1)Augmented Dickey-Fuller Testalternative: stationaryType 1: no drift no trendlag ADF p.value[1,] 0 -3.24 0.0100[2,] 1 -2.78 0.0100[3,] 2 -1.95 0.0498Type 2: with drift no trendlag ADF p.value[1,] 0 -4.13 0.0100[2,] 1 -3.84 0.0100[3,] 2 -2.97 0.0462Type 3: with drift and trendlag ADF p.value[1,] 0 -4.69 0.0100[2,] 1 -4.46 0.0100[3,] 2 -3.63 0.0381----Note: in fact, p.value = 0.01 means p.value <= 0.01检验结果显示，该序列所有ADF检验统计量的P值均小于显著性水平（α=0.05），所以可以确定1阶差分后系列实现了平稳。
（整理）8章时间序列分析练习题参考答案.第⼋章时间数列分析⼀、单项选择题1.时间序列与变量数列( )A 都是根据时间顺序排列的B 都是根据变量值⼤⼩排列的C 前者是根据时间顺序排列的，后者是根据变量值⼤⼩排列的D 前者是根据变量值⼤⼩排列的，后者是根据时间顺序排列的 C2.时间序列中，数值⼤⼩与时间长短有直接关系的是( )A 平均数时间序列B 时期序列C 时点序列D 相对数时间序列 B3.发展速度属于( )A ⽐例相对数B ⽐较相对数C 动态相对数D 强度相对数 C4.计算发展速度的分母是( )A 报告期⽔平B 基期⽔平C 实际⽔平D 计划⽔平 B5.某车间⽉初⼯⼈⼈数资料如下：则该车间上半年的平均⼈数约为( )A 296⼈B 292⼈C 295 ⼈D 300⼈ C6.某地区某年9⽉末的⼈⼝数为150万⼈，10⽉末的⼈⼝数为150．2万⼈，该地区10⽉的⼈⼝平均数为( )A 150万⼈B 150．2万⼈C 150．1万⼈D ⽆法确定 C7.由⼀个9项的时间序列可以计算的环⽐发展速度( ) A 有8个 B 有9个 C 有10个 D 有7个 A8.采⽤⼏何平均法计算平均发展速度的依据是( )A 各年环⽐发展速度之积等于总速度B 各年环⽐发展速度之和等于总速度C 各年环⽐增长速度之积等于总速度D 各年环⽐增长速度之和等于总速度 A9.某企业的科技投⼊，2010年⽐2005年增长了58．6％，则该企业2006—2010年间科技投⼊的平均发展速度为( ) A5%6.58 B 5%6.158 C6%6.58 D 6%6.158B10.根据牧区每个⽉初的牲畜存栏数计算全牧区半年的牲畜平均存栏数，采⽤的公式是( ) A 简单平均法 B ⼏何平均法 C 加权序时平均法 D ⾸末折半法 D11.在测定长期趋势的⽅法中，可以形成数学模型的是( )A 时距扩⼤法B 移动平均法C 最⼩平⽅法D 季节指数法12.动态数列中，每个指标数值相加有意义的是（）。
第七章时间序列分析一、填空1、下表为两个地区的财政收入数据:则A地区财政收入的增长速度是,B地区财政收入的增长速度是,A 地区财政收入的增长1%的绝对值为,B地区财政收入的增长1%的绝对值为。
2、已知环比增长速度为7.1%、3.4%、3.6%、5.3%,则定基增长速度是。
3、年劳动生产率r(千元和职工工资y (元之间的回归方程为110x=,这意味着120y+年劳动生产率每提高1千元时,职工工资平均。
4、拉氏价格或销售量指数的同度量因素都是选期,而派许指数的同度量因素则选期。
5、动态数列的变动一般可以分解为四部分,即趋势变动、变动、变动和不规则变动。
二、选择题1.反映了经济现象在一个较长时间内的发展方向,它可以在一个相当长的时间内表现为一种近似直线的持续向上或持续向下或平稳的趋势。
A长期趋势因素B季节变动因素C周期变动因素D不规则变动因素2.是经济现象受季节变动影响所形成的一种长度和幅度固定的周期波动。
A长期趋势因素B季节变动因素C周期变动因素D不规则变动因素3、时间序列在一年内重复出现的周期性波动称为(A、趋势B、季节性C、周期性D、随机性4、在使用指数平滑法进行预测时,如果时间序列比较平稳,则平滑系数α的取值(A、应该小些B、应该大些C、等于0D、等于15、某银行投资额2004年比2003年增长了10%,2005年比2003年增长了15%,2005年比2004年增长了(A、15%÷10%B、115%÷110%C、(110%×115%+1D、(115%÷110%-1三、判断1、若1998年的产值比1997年上涨10%,1999年比1998年下降10%,则1999年的产值比1997年的产值低。
(2、若三期的环比增长速度分别为9%、8%、10%,则三期的平均增长速度为9% (。
3、去年物价下降10%,今年物价上涨10%,今年的1元钱比前年更值钱。
(。
4、若平均发展速度大于100%,则环比发展速度也大于100%。
时间序列分析基于r时间序列分析是一种用于分析时间序列数据的统计方法，它可以帮助我们了解数据的趋势、季节性、周期性和随机性等特征。
R是一种流行的编程语言和环境，提供了丰富的时间序列分析工具和函数。
以下是一个基于R进行时间序列分析的详细步骤：1. 导入数据：首先，你需要将时间序列数据导入R环境中。
可以使用read.csv()或read.table()函数来读取CSV或文本文件，或使用其他适当的函数来读取其他类型的数据。
2. 转换为时间序列对象：将数据转换为R中的时间序列对象。
可以使用ts()函数来创建一个时间序列对象，指定数据和频率。
例如，如果数据是按月收集的，可以使用ts(data, start = c(year, month), frequency = 12)来创建一个月度频率的时间序列对象。
3. 可视化数据：使用plot()函数来绘制时间序列数据的图形。
这可以帮助你观察数据的趋势、季节性和周期性等特征。
4. 检查数据的平稳性：时间序列分析通常假设数据是平稳的，即数据的均值和方差在时间上保持不变。
可以使用adf.test()函数或kpss.test()函数来检验数据的平稳性。
5. 去除趋势和季节性：如果数据不是平稳的，你需要对其进行差分或转换来消除趋势和季节性。
可以使用diff()函数来进行一阶差分，或使用decompose()函数来分解数据为趋势、季节性和随机成分。
6. 拟合时间序列模型：根据数据的特征选择适当的时间序列模型。
常见的模型包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）和季节性自回归积分移动平均模型（SARIMA）。
可以使用arima()函数来拟合ARIMA模型。
7. 模型诊断：拟合模型后，需要对模型进行诊断，以评估其拟合优度和残差的性质。
可以使用tsdiag()函数来绘制模型的诊断图形，或使用Box.test()函数来进行残差的白噪声检验。
8. 预测未来值：根据拟合的时间序列模型，可以使用forecast()函数来预测未来的时间序列值。
《时间序列分析——基于R》王燕，读书笔记笔记：⼀、检验：1、平稳性检验：图检验⽅法：时序图检验：该序列有明显的趋势性或周期性，则不是平稳序列⾃相关图检验：（acf函数）平稳序列具有短期相关性，即随着延迟期数k的增加，平稳序列的⾃相关系数ρ会很快地衰减向0（指数级指数级衰减），反之⾮平稳序列衰减速度会⽐较慢衰减构造检验统计量进⾏假设检验：单位根检验adfTest()——fUnitRoots包2、纯随机性检验、⽩噪声检验（Box.test（data，type，lag=n）——lag表⽰输出滞后n阶的⽩噪声检验统计量，默认为滞后1阶的检验统计量结果）1、Q统计量：type=“Box-Pierce”2、LB统计量：type=“Ljung-Box”⼆、模型1、ARMA平稳序列模型1.1平稳性检验1.2ARMA的p、q定阶——acf（），pacf（），auto.arima（）⾃动定阶1.3建模arima()1.4模型显著性检验：残差的⽩噪声检验Box.test（）；参数显著性检验t分布2、⾮平稳确定性分析2.1趋势拟合：直线、曲线（⼀般是多项式，还有其它函数）2.2平滑法移动平均法：SMA()——TTR包指数平滑法：HoltWinters()3、⾮平稳随机性分析3.1ARIMA1平稳性检验，差分运算2拟合ARMA3⽩噪声检验3.2疏系数模型arima（p,d,f）3.3季节模型可以叠加的模型4、残差⾃回归模型：4.1建⽴线性模型4.2对滞后的因变量间拟合线性模型，对模型做残差⾃相关DW检验。
dwtest()——lmtest包，增加选项order.by指定延迟因变量4.3对残差建⽴ARIMA模型5、条件异⽅差模型：异⽅差检验：LM检验ArchTest（）——FinTS包，⽤ARCH、GARCH模型建模第⼀章简介统计时序分析⽅法：1、频域分析⽅法2、时域分析⽅法步骤：1、观察序列特征2、根据序列特征选择模型3、确定模型的⼝径4、检验模型，优化模型5、推断序列其它统计性质或预测序列将来的发展时域分析研究的发展⽅向：1、AR，MA，ARMA，ARIMA（Box-Jenkins模型）2、异⽅差场合：ARCH，GARCH等（计量经济学）3、多变量场合：“变量是平稳”不再是必需条件，协整理论3、⾮线性场合：门限⾃回归模型，马尔科夫转移模型第⼆章时间序列的预处理预处理内容：对它的平稳性和纯随机性进⾏检验，最好是平稳⾮⽩噪声的序列1、特征统计量1.1概率分布分布函数或密度函数能够完整地描述⼀个随机变量的统计特征，同样⼀个随机变量族{Xt}的统计特性也完全由它们的联合分布函数或联合密度函数决定。
时间序列分析课后习题答案(上机第二章 2、328330332334336338340342(1时序图如上:序列具有明显的趋势和周期性,该序列非平稳。
(2样本自相关系数:(3该样本自相关图上,自相关系数衰减为 0的速度缓慢,且有正弦波状,显示序列具有趋势和周期,非平稳。
3、 (1样本自相关系数:(2序列平稳。
(3因 Q 统计量对应的概率均大于 0.05,故接受该序列为白噪声的假设,即序列为村随机序列。
5、 (1时序图和样本自相关图:50100150200250300350(2序列具有明显的周期性,非平稳。
(3序列的 Q 统计量对应的概率均小于 0.05,该序列是非白噪声的。
6、 (1根据样本相关图可知:该序列是非平稳,非白噪声的。
(2对该序列进行差分运算:1--=t t t x x y {t y }的样本相关图:该序列平稳,非白噪声。
第三章:17、 (1结论:序列平稳,非白噪声。
(2 拟合 MA(2 model:VariableCoefficient Std. Error t-Statistic Prob. C 80.40568 4.630308 17.36508 0.0000 MA(1 0.336783 0.114610 2.938519 0.0047 R-squared0.171979 Mean dependent var 80.29524 Adjusted R-squared 0.144379 S.D. dependent var 23.71981 S.E. of regression 21.94078 Akaike info criterion 9.061019 Sum squared resid 28883.87 Schwarz criterion 9.163073 Log likelihood -282.4221 F-statistic 6.230976 Durbin-Watson stat 2.072640 Prob(F-statistic 0.003477Residual tests(3拟合 AR(2model:C 79.71956 5.442613 14.64729 0.0000 AR(10.2586240.1288102.0077940.0493R-squared0.154672 Mean dependent var 79.50492 Adjusted R-squared 0.125522 S.D. dependent var 23.35053 S.E. of regression 21.83590 Akaike info criterion 9.052918 Sum squared resid 27654.79 Schwarz criterion 9.156731 Log likelihood -273.1140 F-statistic 5.306195 Durbin-Watson stat 1.939572 Prob(F-statistic 0.007651Inverted AR Roots.62-.36Residual tests:(4 拟合 ARMA (2, 1 model :Variable Coefficient Std. Error t-Statistic Prob. C 79.17503 4.082908 19.39183 0.0000 AR(1 -0.586834 0.118000 -4.973170 0.0000 AR(2 0.376120 0.082091 4.581756 0.0000 MA(11.1139990.09712211.470120.0000R-squared0.338419 Mean dependent var 79.50492 Adjusted R-squared 0.303599 S.D. dependent var 23.35053 S.E. of regression 19.48617 Akaike info criterion 8.840611 Sum squared resid 21643.51 Schwarz criterion 8.979029 Log likelihood-265.6386 F-statistic9.719104Inverted AR Roots .39-.97 Inverted MA Roots-1.11Estimated MA process is noninvertible残差检验:(5拟合 ARMA (1, (2 model:Variable Coefficient Std. Error t-Statistic Prob. C 79.52100 4.621910 17.205230.0000 AR(1 0.270506 0.125606 2.153603 0.0354 R-squared0.157273 Mean dependent var 79.55161 Adjusted R-squared 0.128706 S.D. dependent var 23.16126 S.E. of regression 21.61946 Akaike info criterion 9.032242 Sum squared resid 27576.65 Schwarz criterion 9.135167 Log likelihood -276.9995 F-statistic 5.505386 Durbin-Watson stat 1.981887 Prob(F-statistic 0.006423Inverted AR Roots.27残差检验:(6优化根据 SC 准则,最优模型为 ARMA(2,1模型。
第一章习题答案略第二章习题答案2.1（1）非平稳（2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376（3）典型的具有单调趋势的时间序列样本自相关图2.2（1）非平稳，时序图如下（2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图2.3（1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118（2）平稳序列（3）白噪声序列2.4，序列LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。
显著性水平=0.05不能视为纯随机序列。
2.5（1）时序图与样本自相关图如下（2） 非平稳 （3）非纯随机 2.6（1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机第三章习题答案3.1 ()0t E x =,21() 1.9610.7t Var x ==-,220.70.49ρ==,220φ= 3.2 1715φ=,2115φ=3.3 ()0t E x =,10.15() 1.98(10.15)(10.80.15)(10.80.15)t Var x +==--+++10.80.7010.15ρ==+,210.80.150.41ρρ=-=,3210.80.150.22ρρρ=-=1110.70φρ==,2220.15φφ==-,330φ=3.4 10c -<<, 1121,1,2k k k c c k ρρρρ--⎧=⎪-⎨⎪=+≥⎩3.5 证明:该序列的特征方程为：32--c 0c λλλ+=，解该特征方程得三个特征根：11λ=，2c λ=3c λ=-无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。
第一章习题答案略第二章习题答案2.1（1）非平稳（2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376（3）典型的具有单调趋势的时间序列样本自相关图2.2（1）非平稳，时序图如下（2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图2.3（1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118（2）平稳序列（3）白噪声序列2.4，序列LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。
显著性水平=0.05不能视为纯随机序列。
2.5（1）时序图与样本自相关图如下（2） 非平稳 （3）非纯随机 2.6（1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机第三章习题答案3.1 ()0t E x =,21() 1.9610.7t Var x ==-,220.70.49ρ==,220φ= 3.2 1715φ=,2115φ=3.3 ()0t E x =,10.15() 1.98(10.15)(10.80.15)(10.80.15)t Var x +==--+++10.80.7010.15ρ==+,210.80.150.41ρρ=-=,3210.80.150.22ρρρ=-=1110.70φρ==,2220.15φφ==-,330φ=3.4 10c -<<, 1121,1,2k k k c c k ρρρρ--⎧=⎪-⎨⎪=+≥⎩3.5 证明:该序列的特征方程为：32--c 0c λλλ+=，解该特征方程得三个特征根：11λ=，2λ=3λ=无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。
证毕。
3.6 (1)错 （2）错 （3）对 （4）错 （5）3.7 该模型有两种可能的表达式：112t t t x εε-=-和12t t t x εε-=-。
3.8 将123100.50.8t t t t t x x C εεε---=++-+等价表达为()2323223310.82010.510.8(10.50.50.5)t ttB CB x BB CB B B B εε-+-=-=-+++++展开等号右边的多项式，整理为22334423243410.50.50.50.50.80.80.50.80.50.5B B B B B B B CB CB +++++--⨯-⨯-+++合并同类项，原模型等价表达为233020[10.50.550.5(0.50.4)]k k t t k x B B C B ε∞+=-=+-+-+∑当30.50.40C -+=时，该模型为(2)MA 模型，解出0.275C =。
3.9 ()0t E x =,22()10.70.4 1.65t Var x =++=10.70.70.40.591.65ρ--⨯==-，20.40.241.65ρ==，0,3k k ρ=≥3.10 （1）证明：因为22()lim(1)t k Var x kC εσ→∞=+=∞，所以该序列为非平稳序列。
（2）11(1)t t t t t y x x C εε--=-=+-，该序列均值、方差为常数，()0t E y =,22()1(1)t Var y C εσ⎡⎤=+-⎣⎦自相关系数只与时间间隔长度有关，与起始时间无关121,0,21(1)k C k C ρρ-==≥+-所以该差分序列为平稳序列。
3.11 （1）非平稳，（2）平稳，（3）可逆，（4）不可逆，（5）平稳可逆，（6）不平稳不可逆3.12 01G =，11010.60.30.3G G φθ=-=-=，1111110.30.6,2k k k k G G G k φφ---===⨯≥所以该模型可以等价表示为：100.30.6kt t t k k x εε∞--==+⨯∑3.13 0123121110.25φμφφ===---+3.14 证明：已知112φ=，114θ=，根据(1,1)ARMA 模型Green 函数的递推公式得：01G =，2110110.50.25G G φθφ=-=-=，1111111,2k k k k G G G k φφφ-+-===≥01ρ=52232111112245011111142422(1)11112011170.27126111j jj j j j jj j G GGφφφφφφφφρφφφφφ∞∞++==∞∞+==++--+======-+++-∑∑∑∑ ()11111122200,2jj kjj k jj k j j j k k jjjj j j G G G GG Gk GGGφρφφρ∞∞∞++-+-===-∞∞∞=======≥∑∑∑∑∑∑3.15 （1）成立 （2）成立 （3）成立 （4）不成立3.16 （1）95%置信区间为（3.83,16.15）（2）更新数据后95%置信区间为（3.91,16.18）3.17 （1）平稳非白噪声序列 （2）AR(1)(3) 5年预测结果如下：3.18 （1）平稳非白噪声序列 （2）AR(1)(3) 5年预测结果如下：3.19 （1）平稳非白噪声序列 （2）MA(1)(3) 下一年95%的置信区间为（80.41,90.96）3.20 （1）平稳非白噪声序列 （2）ARMA(1,3)序列（3）拟合及5年期预测图如下：第四章习题答案 4.1 3T x -的系数为116， 1T x -的系数为5164.2 解下面的方程组，得到0.4α=5.255(1)5.26 5.5(1)t t χααααχ=+-⎧⎨=+-⎩4.3 （1）11.04 （2）11.79277 （3）0.40.240.16b a -=-=4.4 根据指数平滑的定义有（1）式成立，（1）式等号两边同乘(1)α-有（2）式成立2323(1)(1)(2)(1)(2)(1)(1)(1)(1)(1)(1)(2)(1)(2)t t x t t t t x t t t αααααααααααααα=+--+--+--+-=-+--+--+（1）-（2）得22(1)(1)(1)(1)1t t x t x t t αααααααααα=-----=------=-则1lim lim 1tt t t x t t αα→∞→∞-⎛⎫- ⎪== ⎪⎪⎝⎭。
4.5 该序列为显著的线性递增序列，利用本章的知识点，可以使用线性方程或者holt 两参数指数平滑法进行趋势拟合和预测，答案不唯一，具体结果略。
4.6 该序列为显著的非线性递增序列，可以拟合二次型曲线、指数型曲线或其他曲线，也能使用holt 两参数指数平滑法进行趋势拟合和预测，答案不唯一，具体结果略。
4.7 本例在混合模型结构，季节指数求法，趋势拟合方法等处均有多种可选方案，如下做法仅是可选方法之一，结果仅供参考（1）该序列有显著趋势和周期效应，时序图如下（2）该序列周期振幅几乎不随着趋势递增而变化，所以尝试使用加法模型拟合该序列：t t t t x T S I =++。
（注：如果用乘法模型也可以）首先求季节指数（没有消除趋势，并不是最精确的季节指数）0.960722 0.912575 1.038169 1.064302 1.153627 1.116566 1.04292 0.984162 0.930947 0.938549 0.902281 0.955179消除季节影响，得序列t t t y x S x =-，使用线性模型拟合该序列趋势影响（方法不唯一）：97.70 1.79268t T t =-+，1,2,3,t =（注：该趋势模型截距无意义，主要是斜率有意义，反映了长期递增速率）得到残差序列t t t t t I x S x y T =-=-，残差序列基本无显著趋势和周期残留。
预测1971年奶牛的月度产量序列为()mod 12ˆ,109,110,,120t t t x T S x t =+=得到771.5021 739.517 829.4208 849.5468 914.0062 889.7989839.9249 800.4953 764.9547 772.0807 748.4289 787.3327（3）该序列使用x11方法得到的趋势拟合为趋势拟合图为4.8 这是一个有着曲线趋势,但是有没有固定周期效应的序列,所以可以在快速预测程序中用曲线拟合（stepar ）或曲线指数平滑（expo ）进行预测（trend=3）。
具体预测值略。
第五章习题5.1 拟合差分平稳序列,即随机游走模型 -1=+t t t x x ε,估计下一天的收盘价为289 5.2 拟合模型不唯一，答案仅供参考。
拟合ARIMA(1,1,0)模型，五年预测值为：5.3 12(1,1,0)(1,1,0)ARIMA ⨯5.4 (1)AR(1)， (2)有异方差性。
最终拟合的模型为-12-1=7.472+=-0.5595+=11.9719+0.4127t ttt t tt tt x vv h v εεε⎧⎪⎪⎨⎪⎪⎩ 5.5(1)非平稳（2） 取对数消除方差非齐，对数序列一节差分后，拟合疏系数模型AR(1，3)所以拟合模型为ln ~((1,3),1,0)x ARIMA（3）预测结果如下：5.6 原序列方差非齐，差分序列方差非齐，对数变换后，差分序列方差齐性。
第六章习题6.1 单位根检验原理略。
例2.1 原序列不平稳，一阶差分后平稳例2.2 原序列不平稳，一阶与12步差分后平稳 例2.3 原序列带漂移项平稳 例2.4 原序列不带漂移项平稳例2.5 原序列带漂移项平稳(=0.06)α，或者显著的趋势平稳。
6.2 （1）两序列均为带漂移项平稳（2）谷物产量为带常数均值的纯随机序列，降雨量可以拟合AR （2）疏系数模型。
（3）两者之间具有协整关系（4）23.55210.775549t t =+谷物产量降雨量6.3 （1）掠食者和被掠食者数量都呈现出显著的周期特征，两个序列均为非平稳序列。
但是掠食者和被掠食者延迟2阶序列具有协整关系。
即-2{-}t t y x β为平稳序列。
（2）被掠食者拟合乘积模型：5(0,1,0)(1,1,0)ARIMA ⨯,模型口径为:551=1+0.92874t tx Bε∇∇ 拟合掠食者的序列为： -2-1=2.9619+0.283994+-0.47988t t t t y x εε 未来一周的被掠食者预测序列为：Forecasts for variable xObs Forecast Std Error 95% Confidence Limits49 70.7924 49.4194 -26.0678 167.6526 50 123.8358 69.8895 -13.1452 260.8167 51 195.0984 85.5968 27.3317 362.8651 52 291.6376 98.8387 97.9173 485.3579 53 150.0496 110.5050 -66.5363 366.6355 54 63.5621 122.5322 -176.5965 303.720855 80.3352 133.4800 -181.2807 341.951156 55.5269 143.5955 -225.9151 336.969057 73.8673 153.0439 -226.0932 373.827958 75.2471 161.9420 -242.1534 392.647559 70.0053 189.8525 -302.0987 442.109460 120.4639 214.1559 -299.2739 540.201761 184.8801 235.9693 -277.6112 647.371462 275.8466 255.9302 -225.7674 777.4606掠食者预测值为：Forecasts for variable yObs Forecast Std Error 95% Confidence Limits49 32.7697 14.7279 3.9036 61.635850 40.1790 16.3381 8.1570 72.201151 42.3346 21.8052 -0.4028 85.072152 58.2993 25.9832 7.3732 109.225453 78.9707 29.5421 21.0692 136.872254 106.5963 32.7090 42.4879 170.704755 66.4836 35.5936 -3.2787 136.245856 41.9681 38.6392 -33.7634 117.699657 46.7548 41.4617 -34.5085 128.018258 39.7201 44.1038 -46.7218 126.161959 44.9342 46.5964 -46.3930 136.261460 45.3286 48.9622 -50.6356 141.292861 43.8411 56.4739 -66.8456 154.527962 58.1725 63.0975 -65.4964 181.84136.4 （1）进出口总额序列均不平稳，但对数变换后的一阶差分后序列平稳。
