6.9 练习

  1. 证明 \(3\times5\) MA等价于7阶加权移动平均，其中权重分别为： 0.067, 0.133, 0.200, 0.200, 0.200, 0.133, 和0.067.

  2. 数据集塑料包含塑料制造商生产的产品A的5年月度销售数据（以千为单位）

    1. 画出产品A销量的时间序列图。你可以看出季节性波动或是趋势-周期吗？
    2. 用经典乘法分解计算趋势-周期指数和季节指数。
    3. 计算出的结果是否符合(a)部分中的图像解释？
    4. 计算并画出经季节调整的数据
    5. 将一个观测值改为一个异常值（例如，将一个观测值加500），然后重新计算经季节调整的数据。异常点会产生什么影响？
    6. 如果异常点在时间序列的端点附近而不是在时间序列的中间部分，那么会有什么差别吗？

  3. 回顾一下零售时间序列数据（在章节2.10的练习题3中） 用 X11 方法分解时间序列。它是否揭示了什么你先前没有发现的异常值或是异常特征？

  4. 图 6.16和图 6.17 展示了从1978年2月至1995年8月澳大利亚的民用劳动力人数月度数据的分解结果。

    1. 写3–5句话来描述季节调整后的结果，在你的解释中要重点注意图的尺度。
    2. 1991/1992年的衰退是否在估计的分量中可见？
1978年2月至1995年8月澳大利亚的民用劳动力人数月度数据的分解结果。

图 6.16: 1978年2月至1995年8月澳大利亚的民用劳动力人数月度数据的分解结果。

分解所得得季节性成分。

图 6.17: 分解所得得季节性成分。

  1. 本道练习题中用到了cangas数据（1960年1月至2005年2月加拿大天然气月度产量，以十亿立方米为单位）

    1. 用autoplot()，ggsubseriesplot()和ggseasonplot()作图，来观察季节性随时间变化的影响。你觉得是什么导致了它变化如此之大？
    2. 对数据进行 STL 分解。你需要选择s.window来允许改变季节项的形状。
    3. 比较使用 SEATS 和 X11 后的结果，它们有什么不同？

  2. 本道习题中我们将使用bricksq数据（1956年至1994年澳大利亚黏土砖季度生产数据）

    1. 用STL分解法来计算趋势-周期指数和季节指数（具有固定或变化的季节性的实验）。
    2. 计算并画出经季节调整后的数据。
    3. 用朴素法来对季节调整后数据进行预测。
    4. 用stlf()来对原始数据预测的结果进行再季节化，
    5. 结果是否看起来不正确？
    6. 用稳健的STL分解法重复一遍，它的结果是否看起来与之前不同？
    7. 对比使用stlf()和使用snaive()的预测结果，用一个测试集比较最后两年的数据，哪一种方法效果更好？

  3. 用stlf()来生成writing序列的预测，选用method="naive"或 method="rwdrift"中最合适的一个。如果你认为Box-Cox变换是必要的话，可使用lambda参数。

  4. 用stlf()来生成fancy序列的预测，选用method="naive"或 method="rwdrift"中最合适的一个。如果你认为Box-Cox变换是必要的话，可使用lambda参数。