时间序列数据的分析主要研究目的是总结过去预测未来。
【A.】√
【B.】×
答案是：A
全球温度异常数据中有呈直线上升的趋势，这种变动是长期趋势波动。
【A.】√
【B.】×
答案是：A
对非平稳的时间序列进行转化，使之成为平稳时间序列的数据转换过程，称为（ ）。
【A.】零均值化
【B.】标准化
【C.】平稳化
【D.】归一化
答案是：C
对均值不为零的时间序列进行转化，使其均值为零的数据转换过程，称为（ ）。
【A.】零均值化
【B.】标准化
【C.】平稳化
【D.】归一化
答案是：A
下面白噪声检验结果表示，在α=0.1的条件下，白噪声检验的p值均大于α，表明白噪声检验结果（ ），所以该数据是（ ）。【A.】显著；平稳
【B.】显著；非平稳
【C.】不显著；平稳
【D.】不显著；非平稳
答案是：C
如果时间序列的一阶矩、二阶矩存在，而且对任意时刻满足均值为常数，协方差为时间间隔的函数，则称该序列为（ ）。
【A.】绝对数时间序列
【B.】宽平稳时间序列
【C.】非平稳时间序列
【D.】严平稳时间序列
答案是：B
一个时间序列的自相关系数：（ ）
【A.】取值在-1到1之间
【B.】取值在0到1之间
【C.】取值在-1到0之间
【D.】取值在-3到3之间
答案是：A
下面不能进行时间序列平稳性检验的是（ ）。
【A.】自相关系数
【B.】自相关图检验
【C.】单位根检验
【D.】DW检验
答案是：D
如果一个时间序列的概率分布与时间t无关，则称该序列为（ ）。
【A.】绝对数时间序列
【B.】平稳时间序列
【C.】非平稳时间序列
【D.】相对数时间序列
答案是：B
序列均值或协方差与时间有关的序列为（ ）。
【A.】绝对数时间序列
【B.】平稳时间序列
【C.】非平稳时间序列
【D.】相对数时间序列
答案是：C
下面白噪声序列说法错误的是（ ）。
【A.】具有零均值
【B.】具有同方差性
【C.】协方差为零
【D.】不是平稳时间序列
答案是：D
下列不属于要研究平稳时间序列的原因为（ ）
【A.】在平稳的保证情况下，对历史时序数据进行分析的参数估计结果也比较稳定；
【B.】平稳时间序列可以直接用于对未来时序数据的预测；
【C.】平稳时间序列存在“伪回归”的情况；
【D.】非
答案是：C
为了能进行ARIMA时间序列分析建模，通常将非平稳时间序列进行（ ）和（ ），将其转化为零均值平稳时间序列。
【A.】零均值化；平稳化
【B.】零均值化；标准化
【C.】标准化；平稳化
【D.】标准化；归一化
答案是：A
利用白噪声检验时间序列平稳性，如果白噪声结果显著，则表明时间序列总体自相关是（ ）的，即表现为（ ）。
【A.】显著；平稳
【B.】显著；非平稳
【C.】不显著；平稳
【D.】不显著；非平稳
答案是：B
如果销售额数据与时间有密切相关的联系，即销售额数值随时间的推进而不断上升，则称该序列为（ ）。
【A.】绝对数时间序列
【B.】宽平稳时间序列
【C.】非平稳时间序列
【D.】严平稳时间序列
答案是：C
一个时间序列的自相关系数：（ ）
【A.】其值越小，说明时间序列的自相关程度越高
【B.】其值越大，说明时间序列的自相关程度越高
【C.】其绝对值越小，说明时间序列的自相关程度越高
【D.】其绝对值越大，说明时间序列的自相关程度越
答案是：D
从下面的时序图不能得到的结论是（ ）【A.】该序列具有零均值
【B.】该序列均值不随时间变化而变化
【C.】这是一个平稳时间序列
【D.】这是一个非平稳时间序列
答案是：D
从下面的时序图一定可以得到的结论是（ ）
【A.】该序列具有零均值
【B.】该序列具有同方差性
【C.】这是一个白噪声序列
【D.】这是一个平稳时间序列
答案是：A
我们可以通过（ ）方式将非平稳时间序列进行零均值化和平稳化。
【A.】标准化
【B.】函数
【C.】差分
【D.】归一化
答案是：BC
下列关于时间序列说法正确的是（ ）。
【A.】宽平稳时间序列其特征即均值和协方差不随时间变化而变化。
【B.】白噪声序列是平稳时间序列。
【C.】平稳时间序列的特征表现为在整体上或局部上有明显的上升或下降的趋势。
【D.】如果时间
答案是：AB
按照不同的性质和特征，可以对时间序列进行分类，从统计特性上来看，时间序列可以分为（ ）。
【A.】绝对数时间序列
【B.】平稳时间序列
【C.】非平稳时间序列
【D.】相对数时间序列
答案是：BC
下面能够进行时间序列平稳性检验的是（ ）。
【A.】自相关系数
【B.】自相关图检验
【C.】单位根检验
【D.】DW检验
答案是：ABC
下面白噪声序列说法正确的是（ ）。
【A.】具有零均值
【B.】具有同方差性
【C.】协方差为零
【D.】不是平稳时间序列
答案是：ABC
下图分别为原始数据和一阶差分数据的单位根检验的结果，根据其p值，可以看出原始数据的单位根检验（ ），即p值非常大，没有充分的理由拒绝原假设，即原始序列是（ ）的序列;而一阶差分后的序列的单位根检验的p值（ ），故可以拒绝原假设，认为一
答案是：BC
下列关于时间序列说法错误的是（ ）。
【A.】宽平稳时间序列其特征即均值和协方差不随时间变化而变化。
【B.】白噪声序列是平稳时间序列。
【C.】平稳时间序列的特征表现为在整体上或局部上有明显的上升或下降的趋势。
【D.】如果时间序
答案是：CD
要研究平稳时间序列的原因为（ ）
【A.】在平稳的保证情况下，对历史时序数据进行分析的参数估计结果也比较稳定；
【B.】平稳时间序列可以直接用于对未来时序数据的预测；
【C.】平稳时间序列存在“伪回归”的情况；
【D.】非平稳时间序
答案是：ABD
当一个时间序列具有单位根时是平稳的。
【A.】√
【B.】×
答案是：B
对原始数据进行一次差分的过程称为一阶差分。
【A.】√
【B.】×
答案是：A
在一般情况下，非平稳的时间序列在经过一阶差分或二阶差分之后都可以平稳化。
【A.】√
【B.】×
答案是：A
序列均值或协方差与时间有关的序列为非平稳时间序列。
【A.】√
【B.】×
答案是：A
平稳时间序列的特征表现为在整体上或局部上有明显的上升或下降的趋势。
【A.】√
【B.】×
答案是：B
白噪声序列是平稳时间序列。
【A.】√
【B.】×
答案是：A
一个时间序列的自相关系数，其绝对值越接近于1，说明时间序列的自相关程度越高。
【A.】√
【B.】×
答案是：A
非平稳时间序列的特征表现为在整体上或局部上有明显的上升或下降的趋势。
【A.】√
【B.】×
答案是：A
当一个时间序列具有单位根时是非平稳的。
【A.】√
【B.】×
答案是：A
单位根检验用于检验一个时间序列的平稳性。
【A.】√
【B.】×
答案是：A
如果时间序列的一阶矩、二阶矩存在，而且对任意时刻满足均值为常数，协方差为时间间隔的函数，则称该序列为严平稳时间序列。
【A.】√
【B.】×
答案是：B
严平稳时间序列其特征即均值和协方差不随时间变化而变化。
【A.】√
【B.】×
答案是：B
一个时间序列的自相关系数，其绝对值越接近于0，说明时间序列的自相关程度越高。
【A.】√
【B.】×
答案是：B
白噪声序列不是平稳时间序列。
【A.】√
【B.】×
答案是：B
一个时间序列如果能通过差分的方式平稳化，则可称其具有单位根。
【A.】√
【B.】×
答案是：A
宽平稳时间序列其特征即均值和协方差不随时间变化而变化。
【A.】√
【B.】×
答案是：A
如果一个时间序列的概率分布与时间t无关，则称该序列为平稳时间序列。
【A.】√
【B.】×
答案是：A
差分用于将非平稳的时间序列平稳化。
【A.】√
【B.】×
答案是：A
如果时间序列的一阶矩、二阶矩存在，而且对任意时刻满足均值为常数，协方差为时间间隔的函数，则称该序列为宽平稳时间序列。
【A.】√
【B.】×
答案是：A
白噪声序列可以对时序模型拟合进行检验。
【A.】√
【B.】×
答案是：A
具体表现为某个观测值不仅与其以前p个时刻的自身观测值有关，还与其以前时刻进入系统的q个随机误差存在一定的依存关系的模型是（ ）。
【A.】AR
【B.】ARIMA
【C.】ARMA
【D.】MA
答案是：C
具体表现为某个观测值与其滞后p期的观测值的线性组合再加上随机误差项的模型是（ ）。
【A.】AR
【B.】ARIMA
【C.】ARMA
【D.】MA
答案是：A
ARIMA模型也被叫做( )
【A.】自回归移动平均模型
【B.】自回归模型
【C.】移动平均模型
【D.】整合自回归移动平均模型
答案是：D
请问下面的哪个模型是自回归模型（ ）
【A.】
【B.】X=A-1-0.8A-2
【C.】
【D.】
答案是：B
具体表现为某个观测值与其先前的t-1，t-2，t-q个时刻进入系统的q个随机误差项的线性组合的模型是（ ）。
【A.】AR
【B.】ARIMA
【C.】ARMA
【D.】MA
答案是：D
ARIMA模型也叫整合自回归平均模型，可以分为（ ）模型、（ ）模型；（ ）模型。
【A.】AR
【B.】Box-Jenkins
【C.】ARMA
【D.】MA
答案是：ACD
MA（q）模型的基本假设有（ ）。
【A.】假设仅与有关；
【B.】与无关；
【C.】随机误差项是一个白噪声；
【D.】与有关；
答案是：ABC
AR（p）模型的基本假设有（ ）。
【A.】假设仅与有线性关系；
【B.】在已知的条件下，与线性相关
【C.】随机误差项是一个白噪声；
【D.】在已知的条件下，与无关；
答案是：ACD
进行ARMA模型建模之前，分析的时间序列必须满足平稳性条件。
【A.】√
【B.】×
答案是：A
Box-Jenkins法的基本思想是用时间序列过去值和现在的值的线性组合来预测其未来的值。
【A.】√
【B.】×
答案是：A
平稳时间序列的自相关系数图拖尾, 偏自相关系数图p阶截尾,可以识别为（ ）模型
【A.】MA(p)
【B.】ARIMA(p,q)，q>0
【C.】AR(p)
【D.】ARMA(p,q)，q>0
答案是：C
采用AIC准则找最优模型得到如下的结果：
The AIC of ARMA(0,0) is 13679.401951273543
The AIC of ARMA(0,1) is 13332.135879407648
The AIC of
答案是：D
偏自相关系数的实质是使得残差的（ ）达到（ ）的k阶AR模型的第k项系数。
【A.】均值；最小
【B.】均值；最大
【C.】方差；最小
【D.】方差；最大
答案是：C
平稳时间序列的自相关系数图p阶截尾, 偏自相关系数图拖尾,可以识别为（ ）
【A.】MA(p)
【B.】ARIMA(p,q)，q>0
【C.】AR(p)
【D.】ARMA(p,q)，q>0
答案是：A
时间序列经过1阶差分后平稳，其自相关系数图p阶截尾, 偏自相关系数图q阶截尾,可以识别为（ ）。
【A.】MA(p)模型
【B.】ARIMA(p,1,q)模型
【C.】AR(p)模型
【D.】ARMA(p,q)模型
答案是：B
如图是某模型最小信息数值，根据结果可以选择最优模型是（ ）【A.】MA(1)
【B.】ARMA(1,1)
【C.】AR(1)
【D.】ARMA(0,1)
答案是：B
下列说法错误的是（ ）。
【A.】偏自相关系数的实质是使得残差的方差达到最大的k阶AR模型的第k项系数。
【B.】相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型不一定一致，需要多次进行建模比较寻优。
【C.】进
答案是：AD
下列说法正确的是（ ）。
【A.】偏自相关系数的实质是使得残差的方差达到最大的k阶AR模型的第k项系数。
【B.】相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型不一定一致，需要多次进行建模比较寻优。
【C.】
答案是：BC
确定ARMA模型p、q的过程即为模型的识别过程，也称ARMA模型的定阶。下列属于模型识别的方法是（ ）。
【A.】自相关系数
【B.】协方差矩阵
【C.】偏自相关系数图
【D.】最小信息准则
答案是：ACD
拖尾是指在自相关系数图或偏自相关系数图中，自相关系数或偏自相关系数的前几期处于置信区间之外，而之后是系数基本上都落入置信区间内，且逐渐趋于零。
【A.】√
【B.】×
答案是：B
自相关系数的是为给定中间观测值的条件下，观测值与前面某个间隔的观测值之间的相关系数。
【A.】√
【B.】×
答案是：B
偏自相关系数的实质是使得残差的方差达到最小的k阶AR模型的第k项系数。
【A.】√
【B.】×
答案是：A
偏自相关系数的实质是使得残差的方差达到最大的k阶AR模型的第k项系数。
【A.】√
【B.】×
答案是：B
相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型一定一致。
【A.】√
【B.】×
答案是：B
拖尾是指在自相关系数图或偏自相关系数图中的系数有指数型、正弦型或震荡型衰减的波动，并不会都落入置信区间内。
【A.】√
【B.】×
答案是：A
截尾是指在自相关系数图或偏自相关系数图中，自相关系数或偏自相关系数的前几期处于置信区间之外，而之后是系数基本上都落入置信区间内，且逐渐趋于零。
【A.】√
【B.】×
答案是：A
截尾是指在自相关系数图或偏自相关系数图中的系数有指数型、正弦型或震荡型衰减的波动，并不会都落入置信区间内。
【A.】√
【B.】×
答案是：B
相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型不一定一致，需要多次进行建模比较寻优。
【A.】√
【B.】×
答案是：A
确定ARMA模型p、q的过程即为模型的识别过程，也称ARMA模型的定阶。
【A.】√
【B.】×
答案是：A
偏自相关系数的是为给定中间观测值的条件下，观测值与前面某个间隔的观测值之间的相关系数。
【A.】√
【B.】×
答案是：A
Apriori算法的效率比FP-growth算法的效率低。
【A.】√
【B.】×
答案是：A
下列关于Apriori算法和FP-growth算法的说法正确的是（ ）。
【A.】Apriori算法效率较低
【B.】Apriori算法效率较高
【C.】FP-growth算法效率较低
【D.】FP-growth算法效率较高
答案是：AD
下列关于Apriori算法和FP-growth算法的说法不正确的是（ ）。
【A.】Apriori算法效率较低
【B.】Apriori算法效率较高
【C.】FP-growth算法效率较低
【D.】FP-growth算法效率较高
答案是：BC
下列关于FP-growth算法的说法不正确的是（ ）。
【A.】FP-growth算法以一种自底向上的方式探索
【B.】FP-growth算法以一种自上而下的方式探索
【C.】FP-growth算法效率较低
【D.】FP-grow
答案是：BC
下列关于FP-growth算法的说法正确的是（ ）。
【A.】FP-growth算法以一种自底向上的方式探索
【B.】FP-growth算法以一种自上而下的方式探索
【C.】FP-growth算法效率较低
【D.】FP-growt
答案是：AD
支持度确定规则可以用于给定数据集的频繁程度。
【A.】√
【B.】×
答案是：A
关联规则的强度可以用支持度和置信度度量。
【A.】√
【B.】×
答案是：A
置信度确定Y在包含X的事务中出现的频繁程度。
【A.】√
【B.】×
答案是：A
关联规则是指形如X→Y的蕴含表达式，其中X和Y是不相交的项集。
【A.】√
【B.】×
答案是：A
关联分析中，包含0个或多个项的集合被称为项集，若一个项集包含k项，则称其为k-项集。
【A.】√
【B.】×
答案是：A
置信度确定规则可以用于给定数据集的频繁程度。
【A.】√
【B.】×
答案是：B
持度计数是指包含特定项集的事务个数。
【A.】√
【B.】×
答案是：A
先验原理指的是如果一个项集是频繁的，则它的所有子集也一定是频繁的。
【A.】√
【B.】×
答案是：A
支持度确定Y在包含X的事务中出现的频繁程度。
【A.】√
【B.】×
答案是：B
支持度确定Y在包含X的事务中出现的频繁程度。
【A.】√
【B.】×
答案是：B
下列关于支持度和置信度的说法不正确的是（ ）。
【A.】置信度确定规则可以用于给定数据集的频繁程度
【B.】支持度确定规则可以用于给定数据集的频繁程度
【C.】置信度确定Y在包含X的事务中出现的频繁程度
【D.】支持度确定Y在包含X
答案是：AD
下列关于支持度和置信度的说法正确的是（ ）。
【A.】置信度确定规则可以用于给定数据集的频繁程度
【B.】支持度确定规则可以用于给定数据集的频繁程度
【C.】置信度确定Y在包含X的事务中出现的频繁程度
【D.】支持度确定Y在包含X的
答案是：BC
下列关于关联规则的说法正确的是（ ）。
【A.】关联规则的强度可以用支持度和置信度度量
【B.】支持度确定规则可以用于给定数据集的频繁程度
【C.】置信度确定Y在包含X的事务中出现的频繁程度
【D.】支持度确定Y在包含X的事务中出现
答案是：ABC
下列方法无法降低频繁项集的计算复杂度的是（ ）。
【A.】减少候选项集的数目
【B.】减少比较次数
【C.】增加候选项集的数目
【D.】增加比较次数
答案是：CD
下列方法可以降低频繁项集的计算复杂度的是（ ）。
【A.】减少候选项集的数目
【B.】减少比较次数
【C.】增加候选项集的数目
【D.】增加比较次数
答案是：AB
若关联规则为{牛奶，尿布}→{啤酒}:{牛奶，尿布，啤酒}，项集的支持度计数为2，而事务总数为5，则该项集的置信度为（ ）。
【A.】0.4
【B.】0.67
【C.】2
【D.】5
答案是：B
若关联规则为{牛奶，尿布}→{啤酒}:{牛奶，尿布，啤酒}，项集的支持度计数为2，而事务总数为5，则该项集的支持度为（ ）。
【A.】0.4
【B.】10
【C.】2
【D.】5
答案是：A
下列关于关联规则的说法不正确的是（ ）。
【A.】关联规则的强度可以用支持度和置信度度量
【B.】支持度确定规则可以用于给定数据集的频繁程度
【C.】置信度确定Y在包含X的事务中出现的频繁程度
【D.】支持度确定Y在包含X的事务中出
答案是：D
非参数相关系数计算方法较多，常见的主要有Spearman、Kendall.s tau-b和Hoeffding.s D相关系数等。
【A.】√
【B.】×
答案是：A
常见的非参数相关系数计算方法有（ ）。
【A.】Spearman
【B.】Kendall.s tau-b
【C.】Hoeffding.s D
【D.】Pearson
答案是：ABC
下列不属于常见的非参数相关系数计算方法的是（ ）。
【A.】Spearman
【B.】Kendall.s tau-b
【C.】Hoeffding.s D
【D.】Pearson
答案是：D
点二列（点双列）相关分析适用于两列变量中一列是来自正态总体的定距或定比数据，另一列是二分类数据的情况。
【A.】√
【B.】×
答案是：A
简单相关分析有时不能够真实地反映现象之间的关系
【A.】√
【B.】×
答案是：A
在进行相关分析时先剔除其对其他变量的影响，再研究变量之间的相关关系的方法称为偏相关分析。
【A.】√
【B.】×
答案是：A
r的取值范围为[-1,1]，当r取值为1时，表示为完全正线性相关；当r=0时，表现为无线性相关，当r取值为-1时，表示为完全负线性相关。
【A.】√
【B.】×
答案是：A
按相关因素（变量）的多少，可将相关关系分为单相关和复相关。
【A.】√
【B.】×
答案是：A
按相关因素（变量）之间的相关方向，可将相关关系分为单相关和复相关。
【A.】√
【B.】×
答案是：B
按相关因素（变量）的多少，相关关系又可分为正相关和负相关。
【A.】√
【B.】×
答案是：B
r是两个变量之间线性关系的度量指标，但无法反映两个变量之间的因果关系。
【A.】√
【B.】×
答案是：A
如果P值越小则相关系数越显著，越能说明总体数据之间存在显著关系。
【A.】√
【B.】×
答案是：A
按相关因素（变量）之间的关系形态不同，相关关系可分为线性相关和非线性相关。
【A.】√
【B.】×
答案是：A
r的数值的大小与x和y的计量尺度有关，改变x和y的数据的计量尺度会改变r的数值。
【A.】√
【B.】×
答案是：B
r具有对称性，x与y之间的相关系数与y与x之间的相关系数相等。
【A.】√
【B.】×
答案是：A
按相关因素（变量）之间的相关方向，相关关系又可分为正相关和负相关。
【A.】√
【B.】×
答案是：A
如果P值越大则相关系数越显著，越能说明总体数据之间存在显著关系。
【A.】√
【B.】×
答案是：B
r的数值的大小与x和y的计量尺度无关，改变x和y的数据的计量尺度，并不改变r的数值。
【A.】√
【B.】×
答案是：A
Pearson相关系数是反映两个变量的线性相关程度，但它并不能够度量变量之间的非线性相关程度。
【A.】√
【B.】×
答案是：A
r是两个变量之间线性关系的度量指标，也可以反映两个变量之间的因果关系。
【A.】√
【B.】×
答案是：B
下列不属于按相关因素（变量）的多少将相关关系分类的是（ ）。
【A.】单相关
【B.】复相关
【C.】线性相关
【D.】非线性相关
答案是：CD
目前为：
3/5
页
首页 上页 下页 尾页