iPAS 考題解析某企業的資料科學團隊利用ARIMA模型（AutoRegressive Integrated Moving Average Model）預測每週產品銷售量。模型建立完成後，分析人員發現預測誤差隨時間呈現週期性波動，且自相關函數（ACF）顯示殘差在多個時間滯（Lag）上仍顯著不為零。根據上述現象，最合理的模型診斷結論為何？

解析

正確答案：C. 模型存在配適不足（Underfitting）問題，需重新調整p或q參數以捕捉時間依賴性

若ARIMA殘差的ACF在多個lag上顯著不為零，表示殘差不是白噪音，模型未能充分捕捉資料中的自相關結構（配適不足），需要重新調整AR階數p或MA階數q，或考慮加入季節性成分（SARIMA）。

每個選項為什麼對或錯

• A 模型殘差符合白噪音（White Noise）假設，預測表現穩定 錯誤選項

  殘差ACF顯著不為零表示殘差不符合白噪音假設，此選項描述與觀察結果矛盾。

• B 模型殘差雖有輕微異常，但可視為隨機誤差忽略不計 錯誤選項

  多個lag上的顯著ACF不能被忽略，這是明確的模型配適不足信號。

• C 模型存在配適不足（Underfitting）問題，需重新調整p或q參數以捕捉時間依賴性 正解

  殘差ACF顯著不為零是配適不足的典型信號，需調整p或q參數，診斷正確。

• D 殘差特性不影響預測結果，無須進一步修正 錯誤選項

  殘差特性直接反映模型品質，若不符合白噪音假設則預測可靠性有問題，不應忽略。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。