应用时间序列分析第三章习题答案
人大版时间序列分析基于R(第2版)习题答案
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。
时间序列分析基于R——习题答案
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 0．01４0.1０9 0．217 0.3１６0。
007０-0。
02５ 0。
075 -０．14１ -0。
２04 -0。
245 0。
0６6 0。
０0６2 -０．139 -0.０３４0。
206 -0.010 0.0８0 ０。
118(2）平稳序列(３）白噪声序列2。
４，序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列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。
人大版应用时间序列分析(第5版)习题答案
第一章习题答案略第二章习题答案2.1答案：（1）不平稳，有典型线性趋势（2）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答案：（1）不平稳（2）延迟1-24阶自相关系数（3）自相关图呈现典型的长期趋势与周期并存的特征2.3答案：（1）1-24阶自相关系数（2）平稳序列（3）非白噪声序列2.4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2.6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（2）差分后序列为平稳非白噪声序列2.7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。
（2）单位根检验显示带漂移项0阶延迟的P值小于0.05，所以基于adf检验可以认为该序列平稳（3）如果使用adf检验结果，认为该序列平稳，则白噪声检验显示该序列为非白噪声序列如果使用图识别认为该序列非平稳，那么一阶差分后序列为平稳非白噪声序列2.8答案（1）时序图和自相关图都显示典型的趋势序列特征（2）单位根检验显示该序列可以认为是平稳序列（带漂移项一阶滞后P值小于0.05）（3）一阶差分后序列平稳第三章习题答案 3.10101()0110.7t E x φφ===--（） 221112() 1.96110.7t Var x φ===--（） 22213=0.70.49ρφ==（）12122221110.490.7=0110.71ρρρφρρ-==-（4） 3.21111222211212(2)7=0.515111=0.30.515AR φφφρφφφρφρφφφ⎧⎧⎧=⎪=⎪⎪⎪--⇒⇒⎨⎨⎨⎪⎪⎪=+=+⎩⎩⎪⎩模型有：,2115φ=3.312012(1)(10.5)(10.3)0.80.15()01t t t t t tt B B x x x x E x εεφφφ----=⇔=-+==--,22121212()(1)(1)(1)10.15=(10.15)(10.80.15)(10.80.15)1.98t Var x φφφφφφ-=+--+-+--+++=（）1122112312210.83=0.70110.150.80.70.150.410.80.410.150.70.22φρφρφρφρφρφρ==-+=+=⨯-==+=⨯-⨯=（） 1112223340.70.15=0φρφφφ====-（）3.41211110011AR c c c c c ⎧<-<<⎧⎪⇒⇒-<<⎨⎨<±<⎪⎩⎩（） （）模型的平稳条件是 1121,21,2k k k c c k ρρρρ--⎧=⎪-⎨⎪=+≥⎩（） 3.5证明:该序列的特征方程为：320c c 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。
时间序列王燕第二版第三章习题答案分析
17.（1）判断该序列的平稳性与纯随机性。
首先画出该序列的时序图如图1-1所示：图1-1从时序图可以看出，该序列基本上在一个数值上随机波动，故可认为该序列平稳。
再绘制序列自相关图如图1-2所示：图1-2从图1-2的序列自相关图可以看出，该序列的自相关系数一直都比较小，始终在2倍标准差范围以内，可以认为该序列自始至终都在零轴附近波动，所以认为该序列平稳。
原假设为延迟期小于或等于m期的序列值之间相互独立；备择假设为序列值之间有相关性。
当延迟期小于等于6时，p值都小于0.05，所以拒绝原假设，认为该序列为非白噪声序列。
故可以利用ARMA模型对该序列建模。
（2）如果序列平稳且非白噪声，选择适当模型拟合该序列的发展。
从图1-2可见，除了延迟1阶的偏自相关系数在2倍标准差范围之外，其他阶数的偏自相关系数都在2倍标准差范围内波动，故可以认为该序列偏自相关系数1阶截尾。
自相关图显示出非截尾的性质。
综合该序列自相关系数和偏自相关系数的性质，为拟合模型定阶为AR(1)模型。
A．A R(1)模型对于AR(1)模型，AIC=9.434581，SBC=9.468890。
对残差序列进行白噪声检验：Q统计量的P值没有大于0.05，因此认为残差序列为非白噪声序列，拒绝原假设，说明残差序列中还残留着相关信息，拟合模型不显著。
B．ARMA(1,1)模型对于ARMA(1,1)模型，AIC=9.083333，SBC=9.151950。
对残差序列进行白噪声检验：图1-3列为白噪声序列，模型信息提取比较充分。
C.AR(2)模型对于AR(2)模型，AIC=9.198930，SBC=9.268139。
对残差序列进行白噪声检验：图1-4列为白噪声序列，模型信息提取比较充分。
比较上述三个模型，见下表1：（3）利用拟合模型，预测该城市未来5年的降雪量。
用ARMA(1,1)模型可预测该城市未来5年的降雪量如下表2所示：18.（1）判断该序列的平稳性与纯随机性。
时间序列分析基于R——习题答案
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。
时间序列第2-3章习题解答
样本自相关系数图
1.2 1
0.8 0.6 0.4 0.2
0 -0.2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 -0.4 -0.6 -0.8
-1
自相关系数如下：
延迟
1
2
3
4
.4570 0.0812 -0.3201 -0.6188 -0.7210 -0.6293 -0.3396
从差分序列时序图看，该系列是平稳的。从样本自相关图可见，自相关系数具有短期的 自相关性，然后快速衰减，故该差分系列是平稳的。
纯随机检验如下： 延迟 6 12 18 24
LB 统计量值 29.46 35.94 38.61 57.43
P值 <0.001 <0.001 <0.01 <0.001
P 值都非常小，表明该序列不是纯随机序列。
解 由于 ＝
解得 ＝ ， ＝ 。
，
，即
＝
，且
，
，
，
3. 已知某 AR(2)模型为： ， ，其中 ， ， 。
解 模型改写为：
于是
；
又由
解得
， ＝
，
，求 ，
，
，
，
；
，即
，
，
，
4. 已知 AR(2)序列为：
，其中 为白噪声序列。确定 的取值范围，
以保证 为平稳序列，并给出该序列 的表达式。
解 由 AR(2)的平稳域知， 满足：
故该可逆的中心化 MA(1)模型为： ＋
，求该模型的表达式。 或
8. 确定常数 的值，以保证如下表达式为 MA(2)模型：
应用时间序列分析 第三版 王燕 课后答案
1 1.3738
2 -0.8736
（2） | 2 | 0.3 1 ， 2 1 0.8 1 ， 2 1 1.4 1，模型平稳。
1 0.6
2 0.5
（3） | 2 | 0.3 1 ， 2 1 0.6 1 ， 2 1 1.2 1 ，模型可逆。
2、解：对于 AR（2）模型：
22 0
1 1 0 2 1 1 2 1 0.5 2 1 1 2 0 1 1 2 0.3
解得：
1 7 / 15 2 1 / 15
3、解：根据该 AR(2)模型的形式，易得： E ( xt ) 0 原模型可变为： xt 0.8xt 1 0.15xt 2 t
j
eT (3) G0 t 3 G1 t 2 G2 t 1 t 3 1 t 2 12 t 1
第二章 P34 1、 （1）因为序列具有明显的趋势，所以序列非平稳。 （2）样本自相关系数：
(k ) ˆk (0)
(x
t 1
nk
t
x )( x t k x )
t
(x
t 1
n
x) 2
1 n 1 x xt (1 2 20) 10.5 n t 1 20
(4)=17.25
(5)=12.4167
(6)=7.25
1 =0.85（0.85）
2 =0.7405（0.702）
3 =0.6214（0.556）
4 =0.4929（0.415） 5 =0.3548（0.280）
注：括号内的结果为近似公式所计算。 （3）样本自相关图： Autocorrelation Partial Correlation . |*******| . |***** | . |**** . |*** . |**. . |* . . | . . *| . . *| . | | | | | | | . |*******| . *| . | . *| . . *| . . *| . . *| . . *| . . *| . . *| . | | | | | | |
时间序列分析基于R_习题答案
第一章习题答案第二章习题答案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Au{oeorr&lal. i orsCorrelation M 7 6 5 4 3 2 1 0 I ； 3 4 5 6 7 9 9 11.00000■Hi ■ K. B H,J B ik L L1■* J.1 jA1-.IM L L*rn^rp ■ i>i™iTwin H'iTiii M[lrp i,*nfr 'TirjlvTilT'1 iBrpO.7QOO0■ill. Ii ill ■ _.ill«L■ ill iL si ill .la11 ■ fall■ 1 ■ rpTirp Tp和阳申■丽轉■晒?|•卉(ft0.41212■强:料榊＜牌■0.14343'■讯榊*-.07078■-.25758, WWHOHHfi■-.375761marks two 总t and&rd errors2.2（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raa rka two standard errors2.3(1) 自相关系数为： 0.20230.013 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 2.4LB=4.83 , LB 统计量对应的分位点为 0.9634 , P 值为0.0363。
时间序列分析基于R——习题答案
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。
时间序列分析课后习题答案1
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。