原文:https://otexts.com/fppcn/decomposition-exercises.html
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)
(a) 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?
(b) 用经典乘法分解计算趋势-周期指数和季节指数。
(c) 计算出的结果是否符合(a)部分中的图像解释?
(d) 计算并画出经季节调整的数据
(e) 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?
(f) 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、回顾一下零售的时间序列数据(在章节2.10的练习题3中) 用X11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。
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。
a.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。 b.1991/1992年的衰退是否在估计的分量中可见?
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)
a.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?
b.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。
c.比较使用SEATS和X11后的结果,它们有什么不同?
bricksq
数据(1956年至1994年澳大利亚黏土砖季度生产数据)
stlf()
来对原始数据预测的结果进行再季节化,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。