Тесты СинергияАртём Хелп
Артём Help онлайнПолучить расчёт
Бесплатно оценим сроки и стоимостьОтправить задание в Telegram
Анализ временных рядов и прогнозирование.dor_БАК_26-044-Б_260605

Анализ временных рядов и прогнозирование.dor_БАК_26-044-Б_260605 — вариант 7

Просмотрите все вопросы и варианты бесплатно. Правильные ответы скрыты и открываются только после получения доступа.

11 вопросов Вариант 7 Доступ 7 дней
Содержание теста

Вопросы и варианты

Без отметок и подсказок к правильным ответам

Вопрос 1

Временной ряд называется слабо стационарным, если …

  1. его уровни не зависят от времени
  2. его среднее, дисперсия и ковариация не зависят от времени
  3. он не содержит тренда и сезонности
  4. его дисперсия равна нулю
Вопрос 2

В числе функций, которые используются при идентификации и диагностике моделей ARIMA для анализа стационарных временных рядов, – функция … (укажите 3 варианта ответа)

  1. автокорреляции
  2. частичной автокорреляции
  3. спектральной плотности
  4. квантилей
Вопрос 3

Модель … порядка p обозначается как AR(p)

  1. авторегрессии
Вопрос 4

Установите соответствие между моделью временного ряда и ее описанием:

  1. MA(q)
  2. ARMA(p, q)
  3. ARIMA(p, d, q)
  4. модель скользящего среднего
  5. модель авторегрессии и скользящего среднего для стационарных рядов
  6. модель для нестационарных рядов после дифференцирования
Вопрос 5

Расположите в правильной последовательности этапы построения ARIMA-модели:

  1. дифференцирование ряда (если он нестационарен)
  2. идентификация порядка модели по характеристикам «автокорреляционная функция» / «частичная автокорреляционная функция» ACF и PACF
  3. оценка параметров модели
  4. прогнозирование
Вопрос 6

Если автокорреляционная функция (ACF) резко обрывается после лага q, а частная автокорреляционная функция (PACF) затухает, это может указывать на модель …

  1. AR(p)
  2. MA(q)
  3. ARMA(p, q)
  4. ARIMA(p, d, q)
Вопрос 7

Информационные критерии, которые часто используются для выбора оптимальных параметров p и q в ARIMA-моделях, – это …

  1. критерии AIC и BIC
  2. критерии MAPE и RMSE
  3. R² и F-критерий
  4. t-критерий и критерий Дарбина–Уотсона
Вопрос 8

Если для временного ряда взяты первые разности (d = 1), а затем подобрана модель ARMA(2, 1), то полная ARIMA-модель будет иметь порядок ARIMA(…)

  1. 2,1,1
  2. 2, 1, 1
Вопрос 9

Функция в языке программирования R, которая автоматически подбирает параметры ARIMA-модели, – …

  1. arima()
  2. auto.arima()
  3. forecast()
  4. ets()
Вопрос 10

Если временной ряд имеет сезонные колебания с периодом 12 месяцев, то для его моделирования может использоваться сезонная ARIMA-модель вида …

  1. ARIMA(p, d, q)
  2. ARIMA(p, d, q)(P, D, Q)[12]
  3. ARMA(p, q)
  4. AR(p)
Вопрос 11

Аналитик исследует ежемесячные данные о продажах товара. На графике виден выраженный линейный тренд роста и сезонные пики в декабре каждого года. Автокорреляционная функция (ACF) медленно затухает, что указывает на нестационарность. После взятия первых разностей ряд становится стационарным, а ACF показывает значимый выброс на лаге 12.Какой тип модели ARIMA наиболее подходит для такого ряда?

  1. ARIMA(0, 1, 0) – только дифференцирование.
  2. ARIMA(1, 1, 0) – авторегрессия после дифференцирования.
  3. ARIMA(0, 1, 1) – скользящее среднее после дифференцирования.
  4. ARIMA(0, 1, 0)(0, 1, 1)[12] – сезонная модель с сезонным скользящим средним.