利用BARIUM.RAW中的数据。
(i)用前119次观测(即不包含1988年的最后12个月观测),估计线性趋势模型。这个回归的标准误是什么?
(ii)同样用除了最后12个月以外的所有数据,估计chnimp的一个AR(1)模型。把这个回归的标准误与第(i)部分中的标准误相比较。哪一个模型提供了更好的样本内拟合?
(iii)用第(i)和第(ii)部分中的模型计算1988年12个月的提前一期预测误差。(每个方法都应该得到12个预测误差。)计算并比较这两种方法的RMSE和MAE。就样本外提前一期预测而言,哪种方法效果更好?
(iv)在第(i)部分的回归中添加月度虚拟变量。它们是联合显著的吗?(当我们检验联合显著性时,不必担心误差中轻度的序列相关。)
样本方差与随机变量数字特征中的方差的定义不同在于()。
A.是由各观测值到均值距离的平方和除以样本量加1
B.是由各观测值到均值距离的平方和除以样本量减1
C.是由各观测值到均值距离的平方和除以样本量,而不是直接除以样本量加1
D.是由各观测值到均值距离的平方和除以样本量,而不是直接除以样本量减1
录,1年后以()记录(采用()观测)为正式观测记录。平行观测时次为()、()、()、()时()个时次,非昼夜守班的气象台站,()时可不平行观测。
A.扩展卡尔曼滤波是先将模型线性化,然后采用线性的卡尔曼滤波算法
B.线性化时,是将信号模型在前一点的滤波值附近用泰勒级数展开,然后取前两项
C.线性化时,是将信号模型在预测值附近用泰勒级数展开,然后取前两项
D.线性化时,是将观测模型在预测值附近用泰勒级数展开,然后取前两项
A.包括从卫星至接收机全路径的载波整周部分和不足一周的小数部分
B.仅包含不足一周的小数部分
C.首次观测仅包含不足一周的小数部分
D.仅包含整周部分