时间序列王燕第二版第三章习题答案..docxVIP

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。 AR(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 从图1-3可以看出，Q统计量的P值都远远大于0.05，因此可以认为残差序列为白噪声序列，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 从图1-4可以看出，Q统计量的P值都远远大于0.05，因此可以认为残差序列为白噪声序列，模型信息提取比较充分。 比较上述三个模型，见下表1： 表 SEQ Figure \* ARABIC 1 AIC SBC AR(1) 9.434581 9.468890 ARMA(1,1) 9.083333 9.151950 AR(2) 9.198930 9.268139 从表1可以看出ARMA(1,1)模型是相对最优模型。 （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： 表2 2016 2017 2018 2019 2010 降雪量 103.7398 104.3411 104.9460 105.5543 106.1662 18.（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2-1所示： 图2-1 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2-2所示： 图2-2 从图2-2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。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）选择适当模型拟合该序列的发展。 从图2-2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.AR(1)模型 对于AR(1)模型，AIC=0.610126，SBC=0.641502。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.AR(2)模型 对于AR(2)模型，AIC=0.417809，SBC=0.481050。对残差序列进行白噪声检验： 图2-3 从图2-3可以看出，Q统计量的P值都远远大于0.05，因此可以认为残差序列为白噪声序列，模型信息提取比较充分。 比较上述两个模型，见下表3： 表3 AIC SBC AR(1) 0.610126 0.641502 AR(2) 0.417809 0.481050 从表3可以看出AR(2)模型是相对最优模型。 （3）利用拟合模型，预测该地区未来5年的谷物产量。 用AR(2)模型可预测该地区未来5年的谷物产量如下表4所示： 表4 2016 2017 2018 2019 2010 谷物产量 0.076533 0.074399 0.072324 0.07030