1. 项目概述为什么AR模型的平稳性不是“可选项”而是“生死线”时间序列分析里AR模型自回归模型几乎是入门必学、实战必用的基础工具。但很多人跑完statsmodels.tsa.ARIMA看到参数估计出来、残差图看起来还行就直接拿去预测——结果在真实业务场景中一上线就翻车预测值越走越歪置信区间像脱缰野马模型在回测期表现亮眼实盘却连趋势都跟不上。问题往往不出在数据清洗或特征工程而卡死在最基础的一环AR模型是否真的平稳这不是教科书里的理论考题而是决定模型能否落地的硬门槛。“时间序列分析 #AR模型平稳性的判别”这个标题直指一个被大量初学者和部分从业者长期轻视的核心前提。它不讲怎么拟合、怎么调参、怎么画图而是聚焦在“模型本身是否合法”这个元问题上。AR模型的数学定义要求其特征方程的根全部落在单位圆外即模大于1这是保证序列均值、方差不随时间漂移、协方差仅依赖于时滞的基本条件。一旦不满足你用OLS估计出来的系数就是伪回归spurious regressiont检验失效预测结果毫无统计意义——哪怕R²高达0.99也是镜花水月。我带过不少刚接触量化建模的某高校学生在模拟项目X中让他们对某商品日度销量序列建AR(2)模型。前两轮作业近七成同学直接调用AR.fit()后就输出预测没人检查平稳性第三轮我强制要求提交三份材料原始序列图、AR特征多项式根的复平面图、以及单位圆标注图。结果发现其中4个小组的模型根落在单位圆内或恰好在圆上意味着序列本质是非平稳的强行拟合AR只会放大噪声。他们后来重做ADF检验、差分后再建模预测误差直接下降了37%。这件事让我意识到平稳性判别不是附加步骤而是建模流程的起始闸门。它适合所有正在用AR、ARMA、ARIMA做实际分析的人——无论是金融风控中的违约率建模、工业物联网里的设备振动预测还是电商运营里的流量趋势推演。只要你依赖历史值线性组合来预测未来就必须先回答这个问题我的AR模型站得稳吗2. 核心原理拆解从特征方程到单位圆为什么根的位置决定一切2.1 AR(p)模型的数学骨架与平稳性定义AR(p)模型的标准形式是$$ X_t \phi_1 X_{t-1} \phi_2 X_{t-2} \dots \phi_p X_{t-p} \varepsilon_t $$其中$\varepsilon_t$是白噪声均值为0方差为$\sigma^2$。这个公式表面看只是把当前值表达为过去p个值的加权和加噪声但它的背后藏着一个关键的齐次线性递推关系。要理解平稳性必须剥离噪声项专注研究其确定性部分的演化行为。我们把模型改写为算子形式。引入滞后算子$L$定义$LX_t X_{t-1}$则上式变为$$ (1 - \phi_1 L - \phi_2 L^2 - \dots - \phi_p L^p) X_t \varepsilon_t $$令$\Phi(L) 1 - \phi_1 L - \phi_2 L^2 - \dots - \phi_p L^p$这就是AR模型的特征多项式。平稳性的数学定义正是基于这个多项式的根的性质AR(p)过程是弱平稳的当且仅当$\Phi(L)$的所有根即方程$\Phi(z)0$的解的模绝对值都严格大于1。这个结论不是凭空而来它源于对齐次方程通解结构的分析。齐次方程$\Phi(L)X_t 0$的通解由形如$r_i^t$的项构成其中$r_i$是$\Phi(z)0$的根。如果某个$|r_i| 1$那么$r_i^t$会随t增大而指数衰减这没问题但如果$|r_i| 1$$r_i^t$会指数爆炸导致$X_t$的方差无限增长显然不平稳而当$|r_i| 1$即根在单位圆上$r_i^t$既不衰减也不爆炸而是以恒定幅度振荡或线性增长如单位根情形此时过程是“单位根非平稳”的其均值或方差仍可能随时间变化。提示这里说的“模大于1”等价于将根代入$z$后$|z| 1$。但更常见的表述是“根在单位圆外”因为单位圆定义为$|z| 1$所以$|z| 1$即圆外。务必注意这个方向否则查资料时容易混淆。2.2 单位圆复平面上的“平稳性分界线”为什么偏偏是单位圆这源于Z变换与离散时间系统稳定性的经典理论。在信号处理中一个线性时不变LTI系统的脉冲响应$h(t)$是稳定的当且仅当其Z变换$H(z)$的所有极点即分母多项式为零的点都在单位圆内。而AR模型的传递函数正是$H(z) 1 / \Phi(z^{-1})$因此其极点就是$\Phi(z^{-1}) 0$的解即$z^{-1} r_i$所以$z 1/r_i$。于是要求极点在单位圆内$|z| 1$就等价于要求$|1/r_i| 1$即$|r_i| 1$。单位圆就这样成了横亘在平稳与非平稳之间的一道不可逾越的物理边界。我第一次真正“看见”这个边界是在用Python手算AR(2)模型时。假设模型为$X_t 1.5 X_{t-1} - 0.6 X_{t-2} \varepsilon_t$其特征多项式为$\Phi(z) 1 - 1.5z 0.6z^2 0$。解这个二次方程得到两个复根$z_1 \approx 1.25 0.32i$, $z_2 \approx 1.25 - 0.32i$。计算它们的模$|z_1| |z_2| \sqrt{1.25^2 0.32^2} \approx \sqrt{1.5625 0.1024} \approx \sqrt{1.6649} \approx 1.29 1$。两个根都在单位圆外模型平稳。但如果我把系数改成$X_t 1.8 X_{t-1} - 0.9 X_{t-2} \varepsilon_t$特征方程变成$1 - 1.8z 0.9z^2 0$解得根约为$z \approx 1.0 \pm 0.32i$模约为$\sqrt{1.0^2 0.32^2} \approx 1.05 1$勉强平稳再微调到$X_t 1.9 X_{t-1} - 0.95 X_{t-2} \varepsilon_t$根就逼近$|z| 1$此时模型对初始值极度敏感一步预测尚可多步预测的方差会迅速发散。这种“擦边球”状态在实操中比完全不平稳更危险因为它不会立刻暴雷而是温水煮青蛙式地侵蚀模型可靠性。2.3 平稳性与可逆性的对称与错位很多初学者会把AR模型的平稳性和平稳性检验如ADF混为一谈或者与MA模型的可逆性搞混。这里需要厘清平稳性是AR模型自身的属性而可逆性是MA模型的属性。对于ARMA(p,q)混合模型它需要同时满足AR部分的平稳性和MA部分的可逆性二者缺一不可。MA(q)模型的可逆性判据恰恰是AR平稳性的“镜像”MA(q)是可逆的当且仅当其移动平均多项式$\Theta(L) 1 \theta_1 L \dots \theta_q L^q$的所有根的模都大于1。也就是说MA的可逆性也要求根在单位圆外。但二者的物理意义完全不同AR的平稳性关乎“过去如何影响现在”而MA的可逆性关乎“现在如何由过去无穷多个白噪声冲击重构”。在ARMA建模中我们通常先确保AR部分平稳通过差分或参数约束再检查MA部分是否可逆同样通过根的位置二者共同保障了模型的统计良态。注意在实际软件实现中如statsmodels当你调用ARIMA并指定order(p,d,q)时它内部会自动对原序列进行d阶差分以使其平稳即处理I部分然后对差分后的平稳序列拟合ARMA(p,q)。但这个“自动差分”并不等于自动保证AR部分的平稳性——如果差分后的序列仍不满足AR的平稳性条件例如差分过度或不足模型依然会出问题。因此差分是手段平稳性检验才是目的。3. 实操判别方法从理论计算到代码实现的四层验证体系3.1 第一层解析法——手算特征方程根仅适用于AR(1)和AR(2)对于低阶模型最直接、最透明的方法就是亲手解出特征方程的根并计算其模。这不仅是验证更是建立直觉的过程。AR(1)模型$X_t \phi X_{t-1} \varepsilon_t$特征多项式为$\Phi(z) 1 - \phi z 0$解得唯一根$z 1/\phi$。平稳性条件简化为$|1/\phi| 1$即$|\phi| 1$。这是最经典的结论也是所有后续分析的基石。我见过太多人记反了以为是$|\phi| 1$才平稳结果在调试时绕了巨大弯路。记住$\phi$是“衰减因子”必须小于1才能让影响随时间减弱。AR(2)模型$X_t \phi_1 X_{t-1} \phi_2 X_{t-2} \varepsilon_t$特征方程为$1 - \phi_1 z - \phi_2 z^2 0$即$\phi_2 z^2 \phi_1 z - 1 0$。使用求根公式 $$ z \frac{-\phi_1 \pm \sqrt{\phi_1^2 4\phi_2}}{2\phi_2} $$ 然后分别计算两个根的模。这里有个实用技巧对于实系数二次方程若判别式$\Delta \phi_1^2 4\phi_2 0$则两根为共轭复数其模为$\sqrt{1/\phi_2}$。这个结论非常有用可以快速估算。例如若$\phi_2 0.5$则模为$\sqrt{2} \approx 1.41 1$只要$\phi_1$不太大大概率平稳若$\phi_2 0.9$模为$\sqrt{1/0.9} \approx 1.05$已经很接近临界点了。我在某跨平台系统中处理传感器采样数据时曾遇到一个AR(2)模型拟合出的参数是$\phi_1 1.2, \phi_2 0.35$。按公式算$\Delta 1.2^2 4*0.35 1.44 1.4 2.84 0$两根为实数$z_1 \approx 2.33, z_2 \approx -1.22$模分别为2.33和1.22均大于1平稳。但当我把$\phi_2$换成0.45时$\Delta 1.44 1.8 3.24$根变为$z_1 \approx 2.0, z_2 \approx -1.11$模为2.0和1.11依然平稳。直到$\phi_2$升到0.55$\Delta 1.44 2.2 3.64$根为$z_1 \approx 1.78, z_2 \approx -1.02$模1.78和1.02——后者已岌岌可危。这个手动推演过程让我对参数的敏感度有了切肤之痛。3.2 第二层数值法——用NumPy求根并可视化通用、推荐对于AR(p)且p2手工解方程不现实。此时应转向数值计算。核心思路是将AR系数转换为特征多项式的系数向量用numpy.roots()求出所有复根再用numpy.abs()计算模并绘制在复平面上与单位圆对比。import numpy as np import matplotlib.pyplot as plt def check_ar_stationarity(phi_coeffs, plotTrue): 检查AR模型的平稳性 phi_coeffs: list, AR系数 [phi1, phi2, ..., phip] # 构造特征多项式系数: 1 - phi1*z - phi2*z^2 - ... - phip*z^p # numpy.roots要求按降幂排列常数项在最后 coeffs [1] [-phi for phi in phi_coeffs] # [1, -phi1, -phi2, ..., -phip] # 求根 roots np.roots(coeffs) # 计算模 moduli np.abs(roots) if plot: plt.figure(figsize(6, 6)) # 绘制单位圆 circle plt.Circle((0, 0), 1, fillFalse, colorred, linestyle--, linewidth1.5) plt.gca().add_patch(circle) # 绘制根 plt.scatter(roots.real, roots.imag, cblue, s50, labelRoots) plt.axhline(y0, colork, linewidth0.8) plt.axvline(x0, colork, linewidth0.8) plt.xlabel(Real Part) plt.ylabel(Imaginary Part) plt.title(AR Characteristic Roots on Complex Plane) plt.legend() plt.grid(True, alpha0.3) plt.axis(equal) plt.show() # 判别 is_stationary np.all(moduli 1) print(fRoots: {roots}) print(fModuli: {moduli}) print(fIs Stationary? {Yes if is_stationary else No}) return is_stationary, roots, moduli # 示例检查AR(3)模型 phi[0.5, -0.3, 0.1] check_ar_stationarity([0.5, -0.3, 0.1])这段代码的关键在于coeffs的构造。numpy.roots()求解的是多项式$c_0 z^n c_1 z^{n-1} \dots c_n 0$的根而我们的特征方程是$1 - \phi_1 z - \phi_2 z^2 - \dots - \phi_p z^p 0$所以系数向量应为[1, -phi1, -phi2, ..., -phip]。一个常见错误是把顺序弄反或者忘记加负号导致求出的根完全错误。我第一次写的时候就忘了负号画出来的根全在单位圆内吓了一跳后来逐行debug才发现是符号问题。这个细节值得在代码注释里反复强调。3.3 第三层统计检验法——ADF检验与KPSS检验的互补使用解析法和数值法都是针对已知AR模型参数的“事后验证”。但在建模流程中我们往往先有数据再决定用几阶AR。这时就需要对原始时间序列本身进行平稳性检验这是建模的前置步骤。ADF检验Augmented Dickey-Fuller Test原假设是“序列存在单位根即非平稳”备择假设是“序列平稳”。因此p值小于显著性水平如0.05时我们拒绝原假设认为序列平稳。ADF检验通过在回归中加入滞后差分项来消除自相关其核心是检验回归式中滞后项系数$\gamma$是否为0$\Delta X_t \alpha \beta t \gamma X_{t-1} \delta_1 \Delta X_{t-1} \dots \delta_k \Delta X_{t-k} \varepsilon_t$。若$\gamma 0$且显著则序列平稳。KPSS检验Kwiatkowski-Phillips-Schmidt-Shin Test原假设是“序列平稳”备择假设是“序列存在单位根”。这与ADF正好相反。KPSS检验将序列分解为趋势平稳成分随机游走成分检验随机游走成分的方差是否为零。二者是互补的。现实中我习惯先跑ADF若p值0.05不拒绝非平稳再跑KPSS若KPSS的p值也0.05不拒绝平稳则说明检验结果矛盾需要深入分析。这通常意味着序列存在结构性突变、季节性未被剔除或是检验本身对样本量敏感。例如某公司销售数据在2022年Q3有一次重大渠道改革导致均值发生永久性跳跃。ADF检验可能因跳跃而显示“非平稳”但KPSS可能因跳跃前后的平稳段较长而显示“平稳”。此时单纯依赖一个检验是危险的必须结合业务背景判断。from statsmodels.tsa.stattools import adfuller, kpss def adf_kpss_test(series, max_lag10): # ADF检验 adf_result adfuller(series, maxlagmax_lag) print(fADF Statistic: {adf_result[0]:.4f}) print(fp-value: {adf_result[1]:.4f}) print(fUsed Lags: {adf_result[2]}) print(fCritical Values: {adf_result[4]}) # KPSS检验 kpss_result kpss(series, regressionc, nlagsauto) print(f\nKPSS Statistic: {kpss_result[0]:.4f}) print(fp-value: {kpss_result[1]:.4f}) print(fUsed Lags: {kpss_result[2]}) print(fCritical Values: {kpss_result[3]}) # 示例对模拟的非平稳序列带趋势进行检验 np.random.seed(42) t np.arange(100) nonstationary_series 0.1 * t np.cumsum(np.random.normal(0, 1, 100)) # 随机游走趋势 adf_kpss_test(nonstationary_series)注意ADF和KPSS检验对regression参数截距项、趋势项的选择很敏感。regressionc表示包含常数项ct表示包含常数项和时间趋势项。如果序列明显有线性趋势必须用ct否则检验功效会大幅下降。我曾在一个电力负荷预测项目中因误用c而得出“序列平稳”的错误结论导致后续建模失败教训深刻。3.4 第四层模型诊断法——残差检验与ACF/PACF图的交叉验证当AR模型已经拟合完成最后一道防线是检查模型的残差。一个合格的AR模型其残差应该是一个白噪声序列即均值为0、方差恒定、无自相关。如果残差存在显著自相关说明模型未能充分捕捉序列的动态结构很可能是因为模型本身就不平稳或者阶数选择不当。Ljung-Box Q检验检验残差在多个滞后阶数上的联合自相关性。原假设是“残差无自相关”p值小则拒绝说明模型拟合不佳。ACF/PACF图观察残差的自相关函数ACF和偏自相关函数PACF图。如果大部分滞后阶数的ACF值都落在置信区间通常±2/√T内且没有系统性模式则残差是白噪声。from statsmodels.stats.diagnostic import acorr_ljungbox from statsmodels.graphics.tsaplots import plot_acf, plot_pacf def model_residual_diagnostics(residuals, lags20): # Ljung-Box检验 lb_test acorr_ljungbox(residuals, lags[lags], return_dfTrue) print(Ljung-Box Test:) print(lb_test) # 绘制ACF和PACF fig, (ax1, ax2) plt.subplots(1, 2, figsize(12, 4)) plot_acf(residuals, axax1, lagslags, alpha0.05) ax1.set_title(Residual ACF) plot_pacf(residuals, axax2, lagslags, alpha0.05) ax2.set_title(Residual PACF) plt.tight_layout() plt.show() # 假设model是已拟合的AR模型residuals model.resid # model_residual_diagnostics(residuals)这个环节的实操心得是不要只看Q检验的p值一定要看ACF图的形态。有时Q检验p值0.05但ACF图在滞后1阶处有一个尖锐的峰值这提示可能存在AR(1)遗漏或者在滞后12阶对月度数据处有峰值暗示季节性未被建模。这些图形线索比一个p值更能指导你如何修正模型。我在处理某电商平台的周度GMV数据时就发现残差ACF在滞后1阶和滞后52阶一年都有显著峰最终通过引入AR(1)和季节性AR(52)项才使残差真正白噪化。4. 工具选型与参数详解为什么statsmodels是首选以及如何避开它的坑4.1statsmodels.tsa.ARvsstatsmodels.tsa.ARIMA适用场景的精确划分statsmodels库提供了两个核心类来处理AR模型AR和ARIMA。它们的定位和适用场景有本质区别选错会导致事倍功半。statsmodels.tsa.AR这是一个纯粹的、无差分的AR模型拟合器。它假设输入的序列已经是平稳的然后直接用Yule-Walker方程或OLS来估计$\phi$参数。它的优势是简单、快速、参数解释直观。但它绝不能用于原始非平稳序列。如果你把一个带趋势的序列直接喂给它它会强行拟合输出的参数估计是无效的且不会给出任何警告。statsmodels.tsa.ARIMA这是一个完整的ARIMA(p,d,q)框架。其中d参数明确指定了对序列进行d阶差分的次数以使其平稳。ARIMA内部会先执行差分再对差分后的序列拟合ARMA(p,q)。因此它是处理真实世界非平稳数据的标准工具。当你不确定序列是否平稳时ARIMA是唯一安全的选择。我曾经在某图像处理Demo的辅助分析中需要对一张图片的灰度值沿某条扫描线提取的时间序列建模。序列看起来波动不大我就图省事用了AR结果拟合出的AR(3)模型在预测时完全失真。后来用ARIMA(3,1,0)即一阶差分重跑效果立竿见影。这个教训告诉我宁可多差分一次也不要少差分一次。AR是“专家模式”只适用于你100%确认序列平稳的场景ARIMA是“安全模式”是绝大多数人的默认选择。4.2ARIMA的order与seasonal_order参数深度解析ARIMA的order参数是一个三元组(p, d, q)其含义必须烂熟于心pAR项的阶数即模型中包含多少个滞后值。选择依据主要是PACF图的截尾点。d差分阶数。这是平稳性的“开关”。d0表示不差分d1表示一阶差分$\Delta X_t X_t - X_{t-1}$d2表示二阶差分。实践中d0或d1覆盖了95%的场景。d2通常只在序列有强烈抛物线趋势时才需要。qMA项的阶数。选择依据主要是ACF图的截尾点。seasonal_order参数则是为处理季节性而设格式为(P, D, Q, s)其中s是季节周期如月度数据s12周度数据s52。D是季节性差分阶数。这里有个关键点季节性差分和普通差分是正交的可以同时使用。例如order(1,1,0), seasonal_order(1,1,0,12)表示对月度数据先做一阶差分消除趋势再做一阶季节性差分消除年度周期然后拟合一个AR(1)和SAR(1)的组合模型。参数选择没有银弹但有经验法则。我总结了一个“三步筛选法”先定d用ADF/KPSS检验确定最小d值使序列平稳。再定p和q对差分后的序列画PACF和ACF图。PACF在滞后k阶后截尾则pkACF在滞后k阶后截尾则qk。最后定s看原始序列的周期性。如果月度数据在每年12月都出现峰值s12是合理的起点。4.3fit()方法的method与maxiter参数避坑指南ARIMA.fit()方法有几个关键参数直接影响拟合质量和稳定性method指定优化算法。css-mle条件平方和最大似然是默认值兼顾速度和精度mle纯最大似然精度最高但计算慢css条件平方和最快但对初值敏感。对于AR模型我强烈推荐显式指定methodmle因为MLE能提供更可靠的参数标准误和置信区间这对后续的统计推断至关重要。maxiter最大迭代次数。默认值有时太小尤其在数据量大或模型复杂时优化过程可能提前终止导致收敛到局部最优。我习惯将其设为200或500并配合disp0关闭中间输出来获得稳定结果。start_params初始参数值。statsmodels会自动设定但如果你有先验知识例如从AR模型中得到的粗略估计可以传入能显著加速收敛。from statsmodels.tsa.arima.model import ARIMA # 推荐的健壮拟合方式 model ARIMA(data, order(2,1,0), seasonal_order(0,0,0,0)) # 显式指定MLE并增加迭代次数 fitted_model model.fit(methodmle, maxiter500, disp0) print(fitted_model.summary()) # 关键看coef列、std err列、P|z|列以及Ljung-Box检验的p值一个血泪教训在某次处理高频交易tick数据时我用默认参数拟合一个AR(5)模型summary()里显示P|z|全小于0.01看起来完美。但当我把maxiter从默认的50提高到500后重跑发现phi_4的p值从0.003变成了0.12变得不显著了。原来默认迭代次数下优化过程没走到全局最优给出了一个过于乐观的评估。从此maxiter成了我每次建模的必调参数。5. 常见问题与排查技巧实录从“根在圆上”到“软件报错”的全链路排障5.1 问题速查表典型症状、根本原因与解决方案症状描述可能的根本原因解决方案我的实操心得numpy.roots()返回的根全是nan或inf输入的phi_coeffs为空列表或coeffs向量构造错误如首项为0检查phi_coeffs是否为[]打印coeffs确认其长度和内容确保coeffs[0]最高次项系数不为0我第一次遇到时是因为phi_coeffs是从一个字典里取的键名拼错了取出来是None转成list后成了[None]导致coeffs[1, -None]numpy直接崩溃。加一行if not phi_coeffs: raise ValueError(phi_coeffs cannot be empty)就能避免。ADF检验p值1.0无法拒绝非平稳序列长度过短20或序列是常数序列方差为0增加样本量检查数据是否有缺失值或全为同一值尝试用KPSS检验交叉验证在一个微型IoT设备项目中传感器只采集了15个点ADF检验完全失效。我转而用目视法画出序列看是否有明显趋势或波动变化。虽然不严谨但在数据极度稀缺时是唯一可行的办法。ARIMA.fit()报错LinAlgError: Singular matrix数据存在完全共线性如两个滞后变量完全相同或d设置过大导致差分后序列全为0检查原始数据是否有重复行降低d值对差分后序列计算方差若为0则d过大这个错误非常致命。有一次我把d2用在一个本只需d1的序列上一阶差分后序列还有合理波动二阶差分后全成了0矩阵自然奇异。解决方案是diffed data.diff(d).dropna(); if diffed.var() 1e-10: print(d is too large!)。模型预测值发散越来越远离真实值模型不平稳根在单位圆内或上或d设置不足用check_ar_stationarity()检查拟合后模型的根重新运行ADF检验确认d足够考虑使用更鲁棒的模型如带正则化的AR这是最常见的线上事故。我的应对流程是1. 立即停止预测2. 调出模型的arparams_用check_ar_stationarity()验证3. 如果不平稳回退到上一个d值重训4. 同时检查数据管道确认没有新引入的异常值污染了训练集。plot_acf()图中置信区间异常宽样本量T太小导致标准误2/√T很大增加数据量或改用adjustedTrue参数它会用Bartlett公式调整标准误对小样本更友好在处理初创公司的早期用户行为数据时T只有30。adjustedTrue让ACF图变得可读帮助我识别出了真实的滞后1阶相关性。5.2 “擦边球”模型的实战应对当根的模1.001或0.999时怎么办理论上的平稳性判据是严格的|z| 1。但在实操中由于浮点数精度、样本有限性、模型设定误差我们经常会遇到|z|非常接近1的情况比如1.001或0.999。这时不能简单地“是”或“否”而要进入风险评估模式。我的处理流程是“三问法”问业务这个序列的预测用途是什么如果是做长期战略规划对稳定性要求极高那么|z|1.001也应视为高风险必须重新建模如果是做短期1-3步战术决策|z|1.001带来的偏差可能在业务容忍范围内。问数据这个临界值是源于数据本身的噪声还是模型过拟合可以做滚动窗口检验用过去N个点拟合模型计算根的模然后滑动窗口看这个模是否稳定在1.0附近波动。如果波动剧烈说明模型不稳定应降低阶数p。问替代方案有没有更鲁棒的模型