6.9 练习
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.
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)- 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?
- 用经典乘法分解计算趋势-周期指数和季节指数。
- 计算出的结果是否符合(a)部分中的图像解释?
- 计算并画出经季节调整的数据
- 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?
- 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?
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?
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。
- 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。
- 1991/1992年的衰退是否在估计的分量中可见?

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。

图 6.17: 分解所得得季节性成分。
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)- 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? - 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。 - 比较使用 SEATS 和 X11 后的结果,它们有什么不同?
- 用
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)- 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)。
- 计算并画出经季节调整后的数据。
- 用朴素法来对季节调整后数据进行预测。
- 用
stlf()
来对原始数据预测的结果进行再季节化, - 结果是否看起来不正确?
- 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?
- 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?
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。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。