第五章　模型识别与定阶

定阶是建模中最容易出错的一步。本章讲清 ACF/PACF 的局限、AIC 与 BIC 的目标差异，以及先筛后选的标准流程为什么必须按那个顺序。

5.1 ACF/PACF 定阶的局限

理论上 AR(p) 的 PACF 在 p 阶后截尾、MA(q) 的 ACF 在 q 阶后截尾。但实践中：

1. 样本 ACF 有抽样误差，"截尾"在图上很少干净。
2. 混合模型无法区分。ARMA(1,1) 和 ARMA(2,2) 的 ACF/PACF 形状可能非常接近。
3. 季节性与结构变化会污染形状，制造假的"拖尾"。
4. 接近单位根时，ACF 衰减极慢，看起来像非平稳，实际是 φ ≈ 0.98。

所以 ACF/PACF 的正确定位是：给出初始候选范围，而不是确定最终阶数。

打个比方：ACF/PACF 是体检初筛，不是确诊。初筛能把范围缩小到"疑似 AR 或疑似 MA"，但具体几阶，还得靠后面的信息准则和样本外检验来定。把初筛当确诊，就会盯着图数柱子、硬凑阶数——这是初学者最常犯的错。

5.2 信息准则

三个最常用的准则：

AIC = −2 ln L + 2k
BIC = −2 ln L + k ln(n)
AICc = AIC + 2k(k+1)/(n − k − 1)

其中 L 是似然值，k 是参数个数，n 是样本量。另外还有 HQ = −2 ln L + 2k ln(ln n)。

惩罚强度：AIC < HQ < BIC（当 n ≥ 8 时 ln n > 2 > ln ln n）。

打个比方：信息准则就是考试分数减扣分。卷面分是 −2 ln L（拟合得越好，这一项越小、总分越高）；但每多带一个参数就要扣分，防止你靠堆参数刷分。

三个准则的差别只在扣分力度：

• AIC 每加一个参数扣 2 分，扣得最轻，所以它偏爱"多带点人"。
• BIC 每加一个参数扣 ln(n) 分。样本 100 个时 ln(100) ≈ 4.6，比 AIC 狠一倍多——样本越大扣得越凶，所以它选出来的模型越简洁。
• HQ 卡在中间。

记住这个画面：AIC 是宽松的监考老师，BIC 是严格的。同一份答卷 AIC 给 85，BIC 可能只给 78，于是 BIC 倾向选那个更简单、更"干净"的模型。

目标不同：

• AIC 追求预测最优。它在渐近意义上等价于最小化与真实分布的 KL 距离，因此倾向于选稍大的模型——宁可多一个参数，也不愿漏掉真实结构。
• BIC 追求一致估计。当真实模型在候选集内时，BIC 选对真阶的概率随 n → ∞ 趋于 1。它惩罚更重，因此选出的模型更简洁。

★ 为什么 AIC 与 BIC 常常选出不同模型？ 因为它们回答两个不同问题：AIC 问"哪个模型预测最好"，BIC 问"哪个模型最可能是真的"。当 n 较大时 BIC 的惩罚 k ln n 远大于 AIC 的 2k，因此 BIC 更保守。这不是矛盾，而是目标差异。 写报告时应说明用的是哪个准则、为什么。

打个比方：AIC 像选一个最会考试的补习班——不管它教学理念对不对，能把分数提上去就行。BIC 像选一个最像真老师的补习班——要的是"这个班讲的东西就是真理本身"。

两者选得不一致，不是谁错了，是问的问题不同。做预测用 AIC；想解释机制、想说"真实过程就是它"，用 BIC。报告里必须写明用了哪个、为什么——不写，答辩时一定被追着问。

★ AIC 比较的三条禁令：

1. 不同 d 的模型不能直接比 AIC。因为差分改变了数据的变换，似然基于不同的样本（差分后少一个观测，且被解释的变量不同）。除非做修正（如纳入 Jacobian 项）。
2. 不同样本量的模型不能比 AIC。样本变了，−2 ln L 的量级也变了。
3. 不同变换的模型不能比 AIC（如原序列 vs 对数序列），除非做相应修正。

打个比方：这就像不能拿不同科目的分数直接比。语文 90 分和数学 90 分，含金量完全不同。差分了、换样本了、取对数了，都是"换了一张卷子"——卷子不同，分数线就不能通用。硬要比，得先把分换算到同一把尺子上（比如补上 Jacobian 项），否则比出来的大小毫无意义。

5.3 定阶的标准流程

一个可操作的流程（也是本项目采用的）：

第一步：网格枚举。 设定 p、q 的范围（如 0–4 且 p+q ≤ 6），乘以是否含常数/漂移，构成候选集。范围不宜过大，否则多重比较问题严重。

第二步：收敛检查。 剔除优化器未收敛的候选。收敛失败通常意味着参数不可识别、初值差或模型过于复杂。

第三步：根检查。 剔除 AR 根不在单位圆外（非平稳）或 MA 根不在单位圆外（不可逆）的候选。

第四步：残差白噪声检查。 剔除残差 Ljung-Box 检验拒绝的候选。这一步保证模型已经把可预测结构提取干净。

第五步：样本外选优。 在验证集上比较预测误差（RMSE/MAE），选出最优。

第六步：tie-break。 若多个候选误差接近，按简约原则（参数更少优先）或次要指标（MAE）决出。

图 5-1　时间序列建模的标准流程（六步）

★ 为什么必须"先筛后选"？ 因为前三步是硬约束（模型必须在数学上成立），后两步是软比较（在成立的模型里挑最好的）。如果直接按 AIC 排序取最小，可能选中一个不收敛或不可逆的模型，结论没有意义。

打个比方：这是招聘先过简历关，再面试。学历、证书这些硬条件不合格的，直接筛掉；不能因为某个人面试聊得特别好，就破格录用一个连资格证都没有的。前四步是资格审核（数学上必须成立），后两步才是面试打分（在合格的人里挑最好的）。

直接按 AIC 排序取最小，等于跳过资格审核直接面试——很可能选中一个优化器根本没收敛、或者 MA 根贴在单位圆上的模型，AIC 数字再漂亮也是废的。

5.4 过拟合检验

选定模型后，还应检验"再加一阶是否必要"：

• 增加一个 AR 或 MA 项，看新系数的 t 值是否显著、AIC 是否下降。
• 若两者都不显著，说明原模型已充分。
• 若显著，说明原模型欠拟合，应升阶。

这就是逐步 ARMA 建模（stepwise ARMA）的思路：从低阶开始，逐步增加，直到新参数不显著。

打个比方：这是试衣服。穿上大一码明显松垮，说明原来那件刚好合身；如果大一码穿着也合适，说明你本来就该买大一号。加一阶之后新系数显著、AIC 还降了，就是"大一码也合身"——该升阶。

5.5 auto.arima 的机制与局限

R 的 forecast::auto.arima() 实现了 Hyndman-Khandakar 算法：

1. 用 KPSS 检验确定差分阶数 d；
2. 用季节强度指标确定 D；
3. 在 (p, q, P, Q) 空间做逐步搜索，用 AICc 作为准则；
4. 默认会尝试含/不含常数、含/不含漂移的变体。

局限：

• 逐步搜索可能陷入局部最优，不是全局最优；
• 默认不做严格的残差白噪声关口（只是"尽量"）；
• 对结构突变、异常值不稳健；
• 自动化程度高，容易让人跳过"为什么选这个模型"的思考。

★ 正确用法：把 auto.arima 的输出当作起点，再手工检查根、残差、样本外表现，不要直接接受。

打个比方：auto.arima 是自动挡汽车。它能把车开到目的地，但你可能说不清它为什么在这个路口换挡——一旦被问"为什么选 ARIMA(1,1,1) 而不是 (2,1,1)"，你答不上来。更麻烦的是，它的默认设置不做严格的残差白噪声关口，等于绕过了一道安全检查。

正确姿势：把它当副驾驶给的参考路线，自己再核一遍根、残差、样本外表现，然后决定走不走。

5.6 选模规则必须前置

这是一个方法论层面的要求，而不只是操作细节。

为什么？ 因为一旦看过测试集结果，任何"事后调整规则"都会让测试集失去独立性——你会不自觉地选择让测试误差更小的规则，这就是信息泄漏。

怎么做？ 把以下内容写进分析方案，并在执行前固定：

• 候选集的范围（p、q 上限）；
• 通过关口的标准（收敛、根、白噪声检验的显著性水平）；
• 选优指标（RMSE？MAE？）；
• tie-break 规则（误差差多少算"接近"，接近时比什么）；
• 测试集的使用次数（一次）。

★ 一个容易被忽视的细节：tie-break 规则应当明确适用范围。如果规则写的是"RMSE 相对差异不超过 1% 时优先 MAE 更低者"，那么它适用于所有模型族；若只想对某一族适用，必须写明。否则会出现"同一份报告里对 A 族用了规则、对 B 族没用"的自相矛盾。

5.7 训练、验证、测试的切分

时间序列不能随机划分，必须按时间顺序切分。常见的三种协议：

（1）一次性留出（hold-out）

前 70–80% 训练，中间 10–15% 验证（选模），最后 10–15% 测试（评价）。

• 优点：简单、清晰、测试集只被用一次。
• 缺点：只得到一个测试结果，方差大；且后期数据可能与前期的生成机制不同。

（2）滚动原点（rolling / walk-forward）

固定训练窗口或扩展窗口，每次向前滚动一个观测，重新估计并预测下一期。所有预测汇总后计算指标。

• 优点：模拟真实使用场景（不断获得新数据），样本点多，指标更稳定。
• 缺点：计算量大；需要明确窗口是固定长度还是扩展。

（3）时间序列交叉验证

把数据分成 k 个连续块，每次用前面的块训练、下一块验证。本质上与滚动原点同源。

★ 滚动一步 vs 固定原点：两种协议回答两个不同问题。

协议	做法	回答的问题
滚动一步	每月重估参数，只预测下一个月	"如果能持续获得新数据，模型能预测多准？"
固定原点	只在起点估一次参数，一次预测 h 步	"如果一年不更新模型，误差如何累积？"

两者不能混在一起算指标。把滚动预测和固定原点预测放进同一个 RMSE，等于把两种实验设计的数据混算，结果无法解释。

打个比方：这两个协议是两种不同的天气预报方式。

• 滚动一步：每天早上重新看一次云图，只报"明天"——回答"如果有最新数据，我能报多准"。
• 固定原点：1 月 1 日一口气报完全年 12 个月，中途不看新数据——回答"如果一年不更新，误差会滚到多大"。

显然，全年预报一定比逐日预报错得多。把两者的误差放进同一个平均值，等于把"一天的误差"和"一年的误差"混算，算出来的数谁也不是。

要点

1. ACF/PACF 只能给初始候选，定阶要靠信息准则或样本外误差。
2. AIC 追求预测最优，BIC 追求一致估计，惩罚强度 AIC < HQ < BIC。
3. 不同 d、不同样本量、不同变换的模型不能直接比 AIC。
4. 定阶顺序：网格 → 收敛 → 根 → 白噪声 → 验证集 → tie-break，硬约束在前。
5. 选模规则必须写进方案并前置，tie-break 要明确适用范围。
6. 滚动一步与固定原点回答不同问题，误差不可混算。

自测 3 问

Q1：AIC 和 BIC 的目标有什么不同？三种准则的惩罚强度怎么排？

点开看答案

• AIC 追求预测最优；
• BIC 追求一致估计（样本足够大时选中真实阶数）。

惩罚强度：AIC < HQ < BIC，所以 BIC 倾向选更小的模型。

Q2：哪些情况下两个模型不能直接比 AIC？

点开看答案

• 差分阶数 d 不同：似然基于不同的数据变换；
• 样本量不同：−2lnL 的量级随 n 变化；
• 数据变换不同（例如一个取了对数、一个没取）。

这些情况下 AIC 不可比。

Q3：ACF/PACF 在定阶里能起什么作用？完整的定阶顺序是什么？

点开看答案

ACF/PACF 只能给初始候选，真正定阶靠信息准则或样本外误差。

顺序：网格 → 收敛 → 根 → 白噪声 → 验证集 → tie-break，硬约束在前；选模规则要提前写进方案。