4.6 模型选择：AIC、BIC准则

文档摘要

4.6 模型选择：AIC、BIC准则 4.6 模型选择：AIC、BIC准则在ARIMA模型的构建流程中，经历了数据预处理（如平稳化）、模型识别（初步确定p、d、q的范围）以及模型参数估计后，通常会得到多个看似合理的ARIMA(p, d, q)候选模型。例如，在识别阶段，ACF和PACF图可能同时提示AR(1)和MA(1)的可能性，或者在某个滞后阶数附近存在模糊性，导致我们可能需要考虑ARIMA(1, d, 0)、ARIMA(0, d, 1)、ARIMA(1, d, 1)等多个模型。此时，就需要一个客观的标准来比较这些候选模型，并从中选择出最优（或相对最优）的模型。模型选择的目标是找到一个既能很好地拟合数据，又不过于复杂（参数过多）的模型，以避免过拟合，提高模型的泛化能力和预测精度。