人大（王燕）时间序列课后习题答案2-5（含上机的）

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? ??(k)??(0)?(xt?1n?kt?x)(xt?k?x)

t?(xt?1n?x)21n1 x??xt?(1?2???20)?10.5

nt?120120 ?(0)?(xt?x)2?35 ?20t?1119 ?(1)?(xt?x)(xt?1?x)?29.75 ?19t?1118 ?(2)??(xt?x)(xt?2?x)?25.9167

18t?1117 ?(3)?(xt?x)(xt?3?x)?21.75 ?17t?1 ?(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） ?6=0.2071（0.153）

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 . |*******| . |***** | . |**** | . |*** | . |**. | . |* . | . | . | . *| . |

. |*******| . *| . | . *| . | . *| . | . *| . | . *| . | . *| . | . *| . |

AC PAC

Prob Q-Stat 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

1 0.850 0.850 16.732 2 0.702 -0.0728.761

6

3 0.556 -0.0736.762

6

4 0.415 -0.0741.500

7

5 0.280 -0.0743.800

7

6 0.153 -0.0744.533

8

7 0.034 -0.0744.572

7

8 -0.07-0.0744.771

4 7

. *| . | .**| . | .**| . | ***| . |

. *| . |

9 -0.17

0

. *| . | 10 -0.25

2

. *| . | 11 -0.31

9

. *| . | 12 -0.37

0 -0.0745.921

5

-0.0748.713

2

-0.0653.693

7

-0.0661.220

0 0.000 0.000 0.000 0.000

该图的自相关系数衰减为0的速度缓慢，可认为非平稳。

?k2????4、LB?n(n?2)???n?k?

k?1??m LB(6)=1.6747 LB(12)=4.9895

22?0.05(6)=12.59 ?0.05(12)=21.0

显然，LB统计量小于对应的临界值，该序列为纯随机序列。

第三章P97

1、解：E(xt)?0.7*E(xt?1)?E(?t)

(1?0.7)E(xt)?0 E(xt)?0 (1?0.7B）xt??t

xt?(1?0.7B)?1?t?(1?0.7B?0.72B2??)?t Var(xt)?1??2?1.9608??2

1?0.49 ?2??12?0?0.49 ?22?0 2、解：对于AR（2）模型：

??1??1?0??2??1??1??2?1?0.5 ??????????????0.31120112?2解得：?

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

??1?7/15

??2?1/15Var(xt)?1??2?2

(1??2)(1??1??2)(1??1??2)

?(1?0.15)?2=1.9823?2

(1?0.15)(1?0.8?0.15)(1?0.8?0.15)??1??1/(1??2)?0.6957??11??1?0.6957????2??1?1??2?0?0.4066 ??22??2??0.15 ?????????0.2209??33?01221?3?

4、解：原模型可变形为： (1?B?cB2)xt??t

由其平稳域判别条件知：当|?2|?1，?2??1?1且?2??1?1时，模型平稳。 由此可知c应满足：|c|?1，c?1?1且c?1?1 即当－1

1?? ?k??1/(1?c)???c?k?2?k?1

k?0k?1

k?25、证明：已知原模型可变形为： (1?B?cB2?cB3)xt??t

322 其特征方程为：????c??c?(??1)(????c)?0 不论c取何值，都会有一特征根等于1，因此模型非平稳。

22??Var(x)??/(1??)。 6、解：（1）错，0t?1 （2）错，E[(xt??)(xt?1??)]??1??1?0??1??2/(1??12)。

?T （3）错，x(l)??1lxT。

?G1?T?l?1?G2?T?l?2???Gl?1?T?1

（4）错，eT(l)??T?l2l?1??????????? ?T?l1T?l?11T?l?21?T?1

（5）错，limVar[xT?ll??1[1??12l]212?T(l)]?limVar[eT(l)]?lim?x???。 ??2l??l??1??21??11

?1?1?4?12??1??1???1 7、解：?1?22?11??1

MA(1)模型的表达式为：xt??t??t?1。

8、解：E(xt)??0/(1??1)?10/(1?0.5)?20 原模型可变为：(1?0.5B)(xt?20)?(1?0.8B2?CB3)?t

(1?0.8B2?CB3)?t xt?20?(1?0.5B) 显然，当1?0.8B?CB能够整除1－0.5B时，模型为MA(2)模型，由此得B＝2是1?0.8B?CB＝0的根，故C＝0.275。

9、解：：E(xt)?0

Var(xt)?(1??1 ?1?22??2)??2?1.65??2

2323??1??1?2?0.98???0.5939 221.651??1??2 ?2?

??20.4??0.2424 ?k?0，k?3 221??1??21.6510、解：（1）xt??t?C(?t?1??t?2??) xt?1??t?1?C(?t?2??t?3??) xt??t?C??xt?1??t?1???t?1??xt?1??t?(C?1)?t?1 C?? 即 (1?B)xt?[1?(C?1)B]?t

显然模型的AR部分的特征根是1，模型非平稳。 （2） yt?xt?xt?1??t?(C?1)?t?1为MA(1)模型，平稳。 ?1?

11、解：（1）|?2|?1.2?1，模型非平稳； ?1?1.3738 ?2?-0.8736

??1C?1 ?221??1C?2C?2

（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。 ?1?0.45＋0.2693i ?2?0.45－0.2693i

（4）|?2|?0.4?1，?2??1??0.9?1，?2??1?1.7?1，模型不可逆。 ?1?0.2569 ?2?-1.5569 （5）|?1|?0.7?1，模型平稳；?1?0.7 |?1|?0.6?1，模型可逆；?1?0.6

（6）|?2|?0.5?1，?2??1??0.3?1，?2??1?1.3?1，模型非平稳。 ?1?0.4124 ?2?-1.2124 |?1|?1.1?1，模型不可逆；?1?1.1

12、解：(1?0.6B)xt?(1?0.3B)?t

xt?(1?0.3B)(1?0.6B?0.62B2??)?t ?(1?0.3B?0.3*0.6B2?0.3*0.62B3??)?t ??t??0.3*0.6j?1?j?1?t?j

j?1 G0?1，Gj?0.3*0.6

13、解：E[?(B)xt]?E[3??(B)?t]?(1?0.5)2E(xt)?3 E(xt)?12

14、证明：?0??(0)/?(0)?1； ?1??(1)(?1??1)(1??1?1)0.25(1?0.5*0.25)???0.27 22?(0)1??1?2?1?11?0.25?2*0.5*0.25 ?k??1?k?1?0.5?k?1 k?2

15、解：（1）错；（2）对；（3）对；（4）错。

16、解：（1）xt?10?0.3*(xt?1?10)??t， xT?9.6

?T(1)?E(xt?1)?E[10?0.3*(xT?10)??T?1]?9.88 x?T(2)?E(xt?2)?E[10?0.3*(xT?1?10)??T?2]?9.964 x?T(3)?E(xt?3)?E[10?0.3*(xT?2?10)??T?3]?9.9892 x 已知AR(1)模型的Green函数为：Gj??1j，j?1，2，? eT(3)?G0?t?3?G1?t?2?G2?t?1??t?3??1?t?2??12?t?1 Var[eT(3)]?(1?0.3?0.09)*9?9.8829

22％的置信区间： xt?3的95[9.9892-1.96*9.8829，9.9892＋1.96*9.8829]

即[3.8275,16.1509]

?T(1)?10.5?9.88?0.62 （2）?T?1?xT?1?x?T?1(1)?E(xt?2)?0.3*0.62?9.964?10.15 x?T?1(2)?E(xt?3)?0.09*0.62?9.9892?10.045 x Var[eT?2(2)]?(1?0.3)*9?9.81

2％的置信区间： xt?3的95[10.045-1.96×9.81，10.045＋1.96*9.81]

即[3.9061,16.1839] 习题4 1、

1?T?1?(xT?xT?1?xT?2?xT?3) x4?T?2?x面的系数均为 2、由

15551?(xT?1?xT?xT?1?xT?2)?xT?xT?1?xT?2?xT?3所以，?T?2中xT与xT?1前在x4161616165。 16

?t??xt?(1??)x?t?1?x? ??x??x?(1??)xt?1t?t?1?t?5.2?5?5?(?1)?x?

?5.26?5.?5???(1x)t??t?5.1x??(??的情况1???0.4舍去 代入数据得

解得

)

3、（1）

11?21?(x2?xx?x?x+x)?（）=11.2 01918171613+11+10+10+125511?22?(x?2+xx?x?x?x)?（.2+13+11+10+10）=11.04 1201918171155

?t?0.4xt?0.6x?t?1且初始值x?0?x1进行迭代计算即可。另外，x?22?x?21?x?20 该题详见Excel。11.79277 （2）利用x （3）在移动平均法下:

1911??X??XX2120i55i?16

19111??X??X??XX222120i555i?15a?1116???55525

在指数平滑法中:

?22???xxx21??x2? 00.4x2?00.6?b?0.4

6?b?a?0.4??0.16

25

5、由

?t??xt?(1??)(x?t?1?rt?1)?x?

??r??(x?x)?(1??)rtt?1t?1?t 代入数据得

?t?0.4xt?0.?6(?205?x?

?4.1?0.x2?(?20)?0.85t? 解得

?t?20.5?x? 5x?13.7?t

z<-c(10,11,12,10,11,14,12,13,11,15,12,14,13,12,14,12,10,10,11,13) 6、

方法一：趋势拟合法

income<-scan('习题4.6数据.txt') ts.plot(income)

由时序图可以看出，该序列呈现二次曲线的形状。于是，我们对该序列进行二次曲线拟合： t<-1:length(income) t2<-t^2

z<-lm(income~t+t2) summary(z)

lines(z$fitted.values, col=2) 方法二：移动平滑法拟合 选取N=5

income.fil<-filter(income,rep(1/5,5),sides=1) lines(income.fil,col=3)

7、（1）

milk<-scan('习题4.7数据.txt') ts.plot(milk)

从该序列的时序图中，我们看到长期递增趋势和以年为固定周期的季节波动同时作用于该序列,因此我们可以采用乘积模型和加法模型。

在这里以加法模型为例。

z<-scan('4.7.txt') ts.plot(z)

z<-ts(z,start=c(1962,1),frequency=12)

z.s<-decompose(z,type='additive') //运用加法模型进行分解

z.1<-z-z.s$seas //提取其中的季节系数，并在z中减去（因为是加法模//型）该季节系数 ts.plot(z.1)

lines(z.s$trend,col=3)

z.2<-ts(z.1) t<-1:length(z.2) t2<-t^2 t3<-t^3

r1<-lm(z.2~t) r2<-lm(z.2~t+t2) r3<-lm(z.2~t+t2+t3) summary(r1) summary(r2)

summary(r3) ##发现3次拟合效果最佳，故选用三次拟合 ts.plot(z.2)

lines(r3$fitt,col=4)

pt<-(length(z.2)+1) : (length(z.2)+12) pt1<-pt ##预测下一年序列 pt2<-pt^2 pt3<-pt^3

pt<-matrix(c(pt1,pt2,pt3),byrow=T,nrow=3)/*为预测时间的矩阵。*/

p<-r3$coef[2:4]%*%pt+r3$coef[1]/*矩阵的乘法为%*%；coef【1】为其截距项，coef【2：4】为其系数*/ p1<-z.s$sea[1:12]+p/*加回原有季节系数，因为原来是加法模型*/

ts.plot(ts(z),xlim=c(1,123),ylim=c(550,950)) lines(pt1,p1,col=2)

##包含季节效应的 SARIMA模型 z<-scan('4.7.txt') ts.plot(diff(z))

sq<-diff(diff(z),lag=12) /*12步差分*/ par(mfrow=c(2,1)) acf(sq,50) pacf(sq,50)

##

##观察上图，发现ACF图12阶处明显，24阶处即变到置信区间内。

##而PACF图12阶，24阶，36阶处有一个逐渐递减过程，可认为##拖尾，故可以考虑对季节效应部分采用MA(1)模型 ##同时，ACF图在第一阶处显著后即立刻变动到置信区间内，具有##截尾性质，PACF图在第5、6阶时变动到置信区间外，可以考虑##使用MA（1）模型，故综合可采用乘积模型SARIMA(0,1,1)?(0,1,1)12

##即ri1、ma1模型乘以季节因素

result<-arima(z,order=c(0,1,1),seasonal=list(order=c(0,1,1),period=12))/*季节因素里的order为阶数的意思，与前面的airma模型的阶数含义同*/ tsdiag(result)//诊断 ##下图为预测后的图

4.8

z<-scan('4.8.txt')

adf.test(z) ##单位根检验。比较科学的定量的方法

##其原假设：具有单位根，即不平稳。此题中接受备则假设：平稳。

指数平滑预测

ffe<-function(z,a) ##定义指数平滑预测。其中a为平滑项 {

y<-c() y<-z[1]

for(i in 1:length(z))

y<-c(y, a*z[i]+(1-a)*y[i]) return(y) }

y<-ffe(z,0.6) ##执行上述定义的function ts.plot(z) lines(y,col=3) y[length(y)]

简单移动平均

z.1<-filter(z,rep(1/12,12),side=1) ##side=1是指将所有算不出的序列值都空到最前面去，而在尾部没有空值。 z.1<-c(NA,z.1) ts.plot(z)

lines(z.1,col=3)

meand<-function(z,z.1,n) ##预测函数。以12为周期。依次为原始数据，平滑值，预测步数 {

y<-z.1[length(z.1)]

z.2<-z[(length(z)-10):length(z)] for(i in 1:n) {

m<-sum(rep(1/12,12-i)*z.2[i:length(z.2)]) n<-sum(rep(1/12,i)*y) y<-c(y,m+n)

}##一直重复：预测，原始数列取代一个，预测数列拿来一个 return(y) }

y<-meand(z,z.1,11)

y<-c(z.1,y)

ts.plot(z,xlim=c(0,205)) lines(y,col=3)

##SARIMA

par(mfrow=c(2,1)) ds<-diff(z) acf(ds,40) pacf(ds,40)

##可以看出有一些不明显的周期性，故采用sarima拟合

result<-arima(z,order=c(2,1,0),seasonal=list(order=c(1,0,0),period=12))

##在季节部分很少出现2以上的数字（指seasonalresult<-arima(z,order=c(2,1,0),seasonal=list(order=c(1,0,1),period=12))

的order部分）

中

result<-arima(z,order=c(4,1,0),seasonal=list(order=c(1,0,1),period=12),fixed=c(NA,NA,0,NA,NA,NA)) ##观察图，发现第三项在置信区间内，故认为可能为限定的sarima模型。最后两个NA指季节指数中的sar1和sma1. ##第三个的aic值最小，即模型拟合效果最好 tsdiag(result) ##检验通过 1、（1）判断序列的平稳性 该序列时序图如图1所示：

时序图显示该序列有显著的变化趋势，为典型的非平稳序列。 （2）对原序列进行差分运算：

对原序列进行1阶差分运算，运算后序列时序图如图2所示：

时序图显示差分后序列在均值附近比较平稳的波动。为了进一步确定平稳性，考察差分后序列的自相关图，如图三所示：

本文来源：https://www.bwwdw.com/article/yli.html