应用时间序列建模时，很重要的一点是确定模型的阶数，即滞后阶数的确定。AR模型参量估计中，均假设AR模型的阶数已知，而实际上它们几乎总是不知的，应根据观测数据作适当的判定。正确模型阶数的判定是个很重要的问题，因为用AR模型拟合数据序列时，若模型阶数选择低时，就如同用一低阶曲线去拟合一高阶曲线，会产生平滑的结果；而当模型阶数选择高时，则如同用一高阶曲线去拟合一低阶曲线，会产生急剧变化和振荡的结果。在低噪声或无噪声时，AR模型选择的阶数超过某个值，还会产生谱线分裂现象。
在AR模型阶数判定中，是用模型拟合误差（残差）或预测误差的信息作为判阶的依据，这在直观上是很明显的。最初是用白色检验法，即调整模型的阶级，使残差或预测误差最接近为白色的，就将此阶数作为AR模型最佳阶数。后来用准则函数法，即选取一个合适的准则函数，使其达最小作为最佳阶数。
在准则函数法方面，日本学者赤池 （Akaike）的工作非常出色。1971年他首先提出了最终预测误差准则，简称为最小FPR法 （Final Prediction Error）准则，1973年赤池又提出了最小信息准则或AIC （Akaike Information Criterion）准则，近年来并推广为BIC准则等，这些准则是目前应用比较广泛且比较有效的定阶方法。(www.xing528.com)
自相关、偏相关方法不适用于一般的ARMA序列，即使对于纯AR或纯MA序列，由于统计检验时显著性水平的选择带有人为性，而且当我们接受原假设 [认为序列是AR（p）或MA（q）]时，实际上原假设成立的把握性并不大，所以用这种方法来定阶不太科学，除了在典型的情况下使用外，目前较多使用以下几种方法。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
