Stata时间序列建模入门：从AR(2)模型到自相关矩阵实战解析

玩时间序列的朋友应该都有体会，拿到一列数据后最难的不是跑命令，而是搞清楚这列数据到底适合什么模型。我第一次用Stata做ARMA建模时，对着arima命令发了好长时间呆，输出结果里的那些系数和检验统计量认识我，我不认识它们。尤其是“自回归模型”和“自相关矩阵”这两个词，教材里翻了好几章才勉强对应上。后来用多了才明白，二阶自回归模型（AR(2)）其实是理解ARMA系列最舒服的切口，而自相关矩阵正是把模型内部结构展示出来的那面镜子。这篇文章就写给刚接触Stata时间序列的朋友，从AR(2)模型出发，把数据准备、平稳性检验、arima命令操作、自相关矩阵怎么看、模型诊断怎么做，一条龙讲清楚。学完你至少能独立跑出自己的第一个ARMA模型，也能解释结果里的关键数字到底在说什么。

1. 为什么从AR(2)和自相关矩阵切入ARMA

1.1 AR(2)是最能看清“自回归”本质的入门模型

自回归模型“用过去预测现在”这个思路，听起来简单，但真正落到数学表达式上，很多新手会被ARMA那套符号绕晕。AR(1)太简单，只有一个滞后项，很多时候看着像是随机游走的“兄弟”，感受不到滞后结构的丰富性；MA(1)又走得太快，直接跳到“用过去的噪声预测现在”，理解门槛直接高一截。AR(2)刚好卡在中间，既有AR(1)的递推逻辑，又多了“二阶滞后影响”这一层，能让你真正体会到什么叫做“过去两期共同作用于当期”。

从估计角度看，AR(2)的理论性质非常成熟。只要满足平稳性条件，它的均值、方差、自协方差、自相关系数都能用参数表达出来，而这些表达式正是理解“自相关矩阵”的基础。可以说，把AR(2)搞透，再去看ARMA(2,1)、ARIMA(2,1,0)这些变体，基本就是往一个已经建好的框架里添砖加瓦。

1.2 自相关矩阵到底刻画了什么

很多教材把自相关矩阵写得很玄乎，动不动就是Toeplitz矩阵、正定性、谱密度。其实你只需要记住一件事：自相关矩阵描述的是同一个时间序列在不同滞后阶数上“自己跟自己长得像不像”。如果把一个序列在不同时点的取值看成很多个变量，那这些变量之间的相关系数矩阵，就是自相关矩阵。

具体到滞后阶数上，序列X_t和X_{t-k}的相关系数记为ρ_k，那么一个p阶自回归模型对应的自相关矩阵就是一个以ρ_0为对角线、ρ_1、ρ_2等为次对角线元素的对称矩阵。因为平稳序列的ρ_0 = 1，所以对角线全是1，其他元素按滞后距离填充。这类矩阵有个特点：它只依赖滞后差|i-j|，也就是说第i行第j列的值只取决于时间间隔多远，而不取决于具体是哪一期。这个“平移不变”的性质，就是平稳性在矩阵层面的直观体现。

Stata里虽然不会直接弹出一个“自相关矩阵”窗口，但通过estat ac、corrgram、predict加correlate这些命令组合，你能把这个矩阵的每一块拼出来。理解它的结构，等于理解模型估计结果背后的数据逻辑。

1.3 这篇指南适合谁，需要什么基础

这篇内容主要面向三类人：一是刚写完计量课程作业、准备用Stata做时间序列实证的本科生和研究生；二是工作中需要快速上手ARMA建模的量化分析、行业研究、运营分析人员；三是自学时间序列但被教材公式劝退的爱好者。

你需要具备的基础非常低：会用Stata打开数据文件、会写最简单的命令，比如summarize、regress，知道什么是“变量”和“观测值”。如果你连这些都不太熟，也从第2节开始跟着操作一遍，基本没有障碍。至于自相关矩阵里涉及的数学推导，我会尽量用“手动算一遍”的方式来讲，而不是堆公式。

1.4 全流程预览

为了避免学到一半迷路，先把整条操作路径摆出来：

1. 数据导入，处理好时间变量，设置时间序列格式；
2. 做平稳性检验，确定序列不是随机游走；
3. 画ACF和PACF图，初步判断AR项阶数；
4. 用arima命令估计AR(2)模型；
5. 看估计系数、自相关结构、稳定性条件；
6. 做残差诊断，确认信息被充分提取；
7. 根据AIC/BIC决定是否扩展成ARMA(2,1)或其他模型。

这个流程是几乎所有时间序列实证项目的主干，后面每个环节出问题都能在对应步骤里排查。

2. 数据准备与模型识别：动手前的关键判断

2.1 数据导入与时间变量设定

Stata里做时间序列的第一步，不是急着跑arima，而是先把数据告诉Stata“这是一份时间序列数据”。具体分两步：一是确认数据里有一个时间标识变量，比如年份、月份、季度或日期；二是用tsset命令把它设置为时间变量。

举个例子，如果你的数据文件里有一列year（比如2000、2001、2002），另一列y（比如月度销售额），那么先这样做：

use "sales_data.dta", clear tsset year

如果你的数据是月度数据，建议直接生成一个Stata可以识别的时间变量，而不是用简单的数值年份：

gen month_id = ym(year, month) format month_id %tm tsset month_id

这里ym()函数把年份和月份合并成Stata内部的月度时间编码，format %tm让它显示成“2023m1”这种人类可读格式。tsset之后，Stata会自动记住这个数据集的“时间身份”，很多命令（比如滞后算子L.、差分算子D.）才可以用。

注意：如果数据本身是年度数据，直接tsset year没问题；但如果是月度或日度数据，只用年份会让Stata误以为每年只有一条观测，后面做滞后、差分全都会错。这是新手最容易踩的第一个坑。

2.2 平稳性到底怎么查：ADF检验实操

时间序列建模有个前置条件：序列最好是平稳的。所谓平稳，直观理解就是均值和方差不随时间变化，自相关结构相对稳定。如果序列有明显的上升趋势或周期性波动，直接建模可能得到“伪回归”结果，系数看着显著，其实是假的。

Stata里最常用的平稳性检验是ADF检验（Augmented Dickey-Fuller test），命令是dfuller。以变量gdp为例：

dfuller gdp, trend lags(2)

这里的trend表示原假设和备择假设中包含时间趋势项，lags(2)表示在检验回归中加入2阶滞后差分项，用来吸收序列自身的高阶自相关。检验结果会给出一个Z(t)统计量和对应的p值。如果p值小于0.05，可以拒绝“存在单位根”的原假设，认为序列平稳；如果p值很大，比如0.5以上，那就说明序列很可能不平稳，需要差分后再检验。

我的习惯是先对原始序列做一次带趋势项的ADF检验，如果无法拒绝单位根假设，就对一阶差分序列再做一次。比如：

dfuller d.gdp, lags(2)

如果差分的ADF检验显著，说明原序列是I(1)过程，一阶差分后平稳。那么后续ARMA建模就该用差分后的序列，或者直接用arima gdp, arima(2,1,0)这种带差分的命令，而不是对原始序列直接跑AR(2)。

2.3 ACF和PACF：怎么看出“二阶自相关”的影子

平稳性确认后，需要初步判断该用AR项还是MA项，以及阶数取多少。这时看两个图：自相关函数（ACF）和偏自相关函数（PACF）。

在Stata里画图可以用：

ac y, lags(20) pac y, lags(20)

或者把两个图叠在一起看也可以，分别执行就行。

判断规则很简单，但也容易记混：

• 如果ACF拖尾（缓慢衰减、有“波浪感”），PACF在某一阶后截尾（比如第2阶之后突然变得不显著），说明模型偏AR，且滞后阶数看PACF截尾的阶数；
• 如果PACF拖尾，ACF截尾，说明模型偏MA；
• 如果两个都拖尾，就要考虑ARMA模型。

对于AR(2)来说，典型特征是：PACF在滞后2阶处显著，滞后2阶之后基本落入置信带内；ACF则衰减得较慢，不会很快截尾。如果你画出来是这个pattern，那恭喜你，用AR(2)非常合适。

如果觉得看图不放心，可以配合corrgram命令看数值结果：

corrgram y, lags(10)

这个命令会同时输出ACF、PACF和Q统计量的p值，一目了然。

2.4 白噪声检验：别对噪音建模

有时候ACF/PACF看起来“似乎”有显著性，但可能只是随机波动造成的假象。所以在识别模型之前，建议先对序列做白噪声检验，也就是检验序列各阶自相关系数是否均为0。如果序列本身是白噪声，那建模就是浪费时间。

Stata里可以用wntestq命令：

wntestq y, lags(10)

这个检验对应的是Ljung-Box Q统计量。原假设是“没有自相关”，如果p值很小，说明序列存在显著自相关，有建模价值；如果p值很大，说明序列像白噪声，建模意义不大。

实操心得：很多人在跑完模型后才发现残差还是有自相关，其实问题常出在“源头没有把关”。如果一开始对原始序列做白噪声检验就不显著，后面再怎么调整ARMA结构都是白费力气。

3. AR(2)模型估计与自相关矩阵实战

3.1 arima命令语法与关键选项

Stata里做ARMA模型的核心命令是arima，全称其实是ARIMA，但把阶数设成(2,0,0)时就等价于AR(2)。基本语法如下：

arima y, arima(2,0,0) noconstant

这里的arima(2,0,0)依次对应自回归项阶数p、差分阶数d、移动平均项阶数q。所以arima(2,0,0)就是纯AR(2)模型，不含MA项。noconstant表示不估计常数项；如果你的序列均值明显不为0，去掉noconstant会更合适，stata默认会估计常数项，也就是模型里的c。

如果你希望Stata自动对序列做一阶差分后再估计AR(2)，可以直接写：

arima y, arima(2,1,0)

这样等价于把差分后的序列代入AR(2)。这个写法的好处是，你会得到差分后模型的结果，而不用手动生成差分变量。

如果后面想升级成ARMA(2,1)模型，就改成：

arima y, arima(2,0,1)

关于优化算法，arima默认使用最大似然估计，一般不用改。但如果你遇到收敛慢或结果异常，可以尝试换迭代方式，比如technique(bhhh)：

arima y, arima(2,0,0) technique(bhhh)

这个技巧在处理复杂模型时偶尔会救命。

3.2 读懂估计结果里的每一行

arima命令跑完后，输出结果通常分几块。以AR(2)为例，核心部分大概长这样：

ARIMA regression Sample: 2000m1 - 2023m12 Number of obs = 288 Wald chi2(2) = 419.78 Log likelihood = -1234.567 Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ | OPG y | Coefficient Std. err. z P>|z| [95% conf. interval] -------------+---------------------------------------------------------------- y | _cons | 123.4567 12.34567 10.00 0.000 99.219 147.694 -------------+---------------------------------------------------------------- ARMA | arL1 | 0.812345 .0234567 34.64 0.000 0.766 0.858 arL2 | -0.234567 .0345678 -6.79 0.000 -0.302 -0.167 -------------+---------------------------------------------------------------- /sigma | 15.6789 .6543210 23.96 0.000 14.396 16.962 ------------------------------------------------------------------------------

需要重点看的几个数字：

• _cons是常数项，说明序列的均值水平；
• arL1和arL2分别是φ1和φ2的估计值，也就是一阶和二阶自回归系数；
• sigma是扰动项的标准差估计；
• Log likelihood是似然函数值，后面做模型比较要用；
• Wald chi2和对应的p值，检验的是整个ARMA部分的联合显著性。

在AR(2)模型里，一个关键判断是φ1和φ2是否都在统计上显著。如果arL2不显著，说明二阶滞后项没有解释力，AR(1)可能就够了；如果两个都显著，那么AR(2)是合适的设定。

3.3 利用Yule-Walker方程手动验证自相关系数

AR(2)模型可以写成：

X_t = φ1 X_{t-1} + φ2 X_{t-2} + ε_t

在平稳条件下，自相关系数ρ_k满足Yule-Walker方程。对k=1和k=2来说，最常用的递推关系是：

ρ_1 = φ1 / (1 - φ2)

ρ_2 = φ1 * ρ_1 + φ2

这是什么意思呢？我拿上一节假设的估计结果举个例子。假如arL1 = 0.812345，arL2 = -0.234567，那么：

ρ_1 = 0.812345 / (1 - (-0.234567)) = 0.812345 / 1.234567 ≈ 0.658

ρ_2 = 0.812345 * 0.658 + (-0.234567) ≈ 0.300

也就是说，理论上一阶滞后自相关系数应该在0.65左右，二阶滞后自相关系数在0.30左右。如果你去画ACF图，看到第1阶的样本ACF大约在0.6附近、第2阶在0.3附近，那就说明AR(2)的估计结果和样本数据的内在相关结构是吻合的。

这是我觉得特别值得新手做的一步“手动验证”。不要光看系数显著就说模型好，把系数代回Yule-Walker方程，看看能否重现样本ACF的大致形态，这比一百句“模型稳健”更有说服力。我在实际项目中经常用这个办法向非技术同事解释：“其实模型就是在用这两个系数模拟数据自己内部的规律。”

3.4 自相关矩阵的Stata查看方式与解读

所谓“自相关矩阵”，在实践中不一定需要你手动写出一个完整矩阵。更常见的用法是：先估计模型，然后让Stata报告估计残差的自相关情况，以及模型隐含的理论自相关结构。

查看残差自相关最直接的方式：

predict res, residuals corrgram res, lags(10)

predict res, residuals把每个观测的残差存到新变量res里，corrgram会按滞后阶数给出ACF和PACF。如果残差像白噪声，说明模型已经把时间结构提取干净。

如果你确实想看到类似矩阵形式的结果，可以这样操作。先生成滞后变量，再计算相关系数矩阵：

gen y_lag1 = L.y gen y_lag2 = L2.y correlate y y_lag1 y_lag2

这个相关系数矩阵的第一行第一列是1，第一行第二列是y和y_lag1的相关系数，也就是样本ρ_1，第一行第三列是y和y_lag2的相关系数，也就是样本ρ_2。把y_lag1、y_lag2这几个变量按顺序放进correlate，得到的矩阵天然就是“X_t，X_{t-1}，X_{t-2}”之间的相关矩阵，这就是实际数据层面的自相关矩阵。

从矩阵里你还能看到一个细节：如果y_lag1和y_lag2之间的相关系数也很高，说明相邻滞后项之间有多重共线性的隐患，这会影响AR系数估计的稳定性。如果看到这种情况，可以考虑数据变换或换模型结构。

3.5 稳定性检验：estat aroots和特征根

AR模型要满足平稳性，要求特征方程的根落在单位圆内。对AR(2)来说，特征方程是：

1 - φ1 z - φ2 z^2 = 0

其中两个根的模都必须大于1。这个条件也可以用参数的约束表达：φ2 + φ1 < 1，φ2 - φ1 < 1，|φ2| < 1。如果你看到估计结果里的φ1、φ2接近满足这些边界，模型就不太可靠。

Stata里可以直接查看AR部分的稳定性：

arima y, arima(2,0,0) estat aroots

estat aroots会输出伴随矩阵的特征根，同时显示一个单位圆图。如果所有特征根都在单位圆内，那么估计结果满足平稳性条件。这个命令对于判断“自己估计的ARMA模型是否合理”非常关键。

操作提示：如果estat aroots画出的特征根在单位圆上或圆外，说明模型设定有问题——要么数据需要差分，要么阶数选择不对，要么模型不收敛。此时不要急着解释系数，先把模型结构调整好。

4. 模型诊断与后续扩展

4.1 残差自相关检验：判断模型是否充分

模型估计完不等于工作结束，诊断才是真正检验模型质量的一关。核心问题是：残差里还有没有剩余的自相关？如果没有，说明模型把时间结构提取得比较干净；如果有，说明还有信息没被捕捉，可能需要增加阶数或加入MA项。

第一种方法是用corrgram看残差的ACF/PACF：

predict res, residuals corrgram res, lags(12)

如果大多数滞后的Q统计量p值都大于0.05，基本可以认为残差是白噪声。

第二种方法是Ljung-Box检验，直接对残差做：

wntestq res, lags(12)

还有一种更正式的检验是Breusch-Godfrey检验，可以这样写：

estat bgodfrey, lags(1 6 12)

它会检验残差在指定滞后阶数上是否存在序列相关。p值大于0.05就不用担心。

我在实际项目里最常使用的是wntestq，因为它简洁直接。但如果模型比较复杂，比如ARMA(2,1)，我会同时看estat bgodfrey的结果，因为它对滞后结构的假设更宽松，不容易漏检。

4.2 信息准则怎么用：AR(2)还是ARMA(2,1)

初学者经常纠结阶数选择。其实Stata里有个思路很实用：在保证残差白噪声的前提下，比较不同模型的AIC和BIC，数字越小越好。

跑完arima后，可以用estat ic查看信息准则：

estat ic

它会显示AIC和BIC。你分别跑AR(2)和ARMA(2,1)，然后比较两者的AIC/BIC。如果ARMA(2,1)的AIC明显更小，说明加入MA(1)项确实提升了拟合；如果差距很小，我会选择更简洁的AR(2)，因为简单模型在预测上通常更稳定。

这里有个容易犯的错误：千万不要只追求AIC最低而不断增加模型复杂度。模型越复杂，过拟合风险越高，预测样本外表现反而可能变差。我的原则是：先保证残差白噪声，再看AIC/BIC，最后结合业务可解释性做选择。

比如ARMA(2,1)虽然多一个参数，但如果其MA(1)系数不显著，或者AIC只降了一点点，那直接选AR(2)就好。用数据说话，但也要让模型“讲得通”。

4.3 预测与预测图

模型诊断通过后，下一步往往是预测。Stata里在arima之后直接用predict即可：

predict yhat, xb

这里xb表示预测的是模型的拟合值，相当于条件期望。如果你要做动态预测（多步向前预测），可以在预测前先扩展样本范围，然后用：

tsappend, add(12) predict yhat_dyn, dynamic(2024m1)

dynamic()里的日期是你希望开始动态预测的时点。动态预测的观点是：从该点之后，预测值不再使用实际的历史值，而是使用上一步的预测值作为滞后项输入。这个功能在做样本外预测时特别有用。

预测出来之后，画图直观检查：

twoway (line y 日期变量, lcolor(blue)) /// (line yhat 日期变量, lcolor(red)), /// legend(order(1 "实际值" 2 "预测值"))

如果预测值和实际值在样本内贴合较好，同时残差白噪声通过，那么这个模型基本算是合格了。

4.4 入门阶段最容易犯的四个错误

根据我看到的实操反馈，新手在ARMA建模中最容易踩到四个坑。

第一，不检验平稳性就直接跑arima。很多序列明显有上升趋势，一阶差分都不一定够，结果模型输出“完美”的显著性，但实际上是在对趋势建模，预测一远就崩。正确做法是：先dfuller，不平稳就差分，再考虑ARMA阶数。

第二，只看AIC/BIC选模型而忽略残差诊断。一个模型可能AIC很低，但残差仍有严重自相关，说明信息提取不充分，AIC的优势没有意义。诊断和选阶要结合，不能只看一个指标。

第三，认为AR阶数越多越好。我看到有人把arima(4,1,4)跑出来，系数全显著，但预测方差巨大。高阶模型容易对噪声建模，反而破坏泛化能力。一切从低阶开始，逐步增加，能用AR(2)解决就绝不上ARMA(3,2)。

第四，忽略estat aroots的结果。模型不平稳还继续讨论系数含义，这等于在沙滩上盖楼。每跑完一个模型，都应该看一眼特征根是否在单位圆内。

5. 常见问题与排查技巧实录

5.1 新手高频问题速查表

我在教学和答疑过程中，遇到过不少重复出现的问题。下面整理成一张表，方便你对照排查。

问题现象	常见原因	解决方案
报错“time variable not set”	没有执行tsset或时间变量格式不对	先tsset时间变量，确认数据频率（年度/月度/日度）
L.y生成的滞后变量全是缺失值	时间变量有缺口，Stata认为没有上一期	用tsfill补齐时间缺口，再生成滞后变量
arima命令迟迟不收敛	模型阶数过高、参数初值不佳、序列波动太大	降低AR/MA阶数，加technique(bhhh)，或先对序列做标准化
残差Q检验p值很小	模型阶数不足，未提取完时间结构	增加AR或MA阶数，重新估计
ACF/PACF图显示严重拖尾	序列可能不是纯AR或纯MA，需要ARMA混合模型	尝试arima(2,0,1)或arima(1,0,1)
estat aroots显示根在单位圆外	模型非平稳，AR参数设置有问题	检查是否需要差分，或降低AR阶数
预测值几乎不变化	动态预测起点设置过早，或者模型过度依赖近期值	检查dynamic()日期设置，或将预测起点放在样本后期
两个高度相关的变量系数都不显著	存在共线性，滞后变量间相关性过高	考虑只保留一个滞后项，或改用其他模型结构

5.2 我在实际项目中常用的三条排障经验

第一，遇到arima不收敛，不要急着堆参数，先回到数据层面看是否有异常值、缺失值或极端波动。时间序列对离群值非常敏感，一个突发的“黑天鹅”观测就可能让最大似然估计失效。可以在估计前用tsline画出序列，观察有没有明显异常点，如果有，先做平滑或插值处理。

第二，estat aroots比想象中重要得多。我见过不少结果看起来漂亮的模型，特征根已经逼近单位圆边界，这意味着模型虽然能拟合历史数据，但缺乏稳定性，预测稍远就发散。宁可选择参数不“完美”但稳定的模型，也不要追求样本内的高拟合度。

第三，样本量很小时，AR(2)的估计方差会很大。如果只有30个观测值，支持二阶滞后已经有点勉强。这种情况下可以考虑先看ACF/PACF是否支持AR(1)，或者用信息准则对比AR(1)和AR(2)，不要一开始就上AR(2)。

5.3 如何判断是不是该升级到ARMA(2,1)

这个问题常常在诊断阶段被问起。我的判断流程很简单：

1. 先跑AR(2)，看残差Q检验；
2. 如果残差白噪声通过，就用AR(2)；
3. 如果残差还有自相关，尤其在一阶滞后的ACF上看到明显尖峰，再尝试arima y, arima(2,0,1)；
4. 比较两个模型的AIC和BIC，同时看MA(1)系数是否显著；
5. 如果MA(1)不显著，即使AIC略小一点，我依然倾向于保留AR(2)。

这个流程看起来简单，但能避免80%的过度参数化问题。要记住：模型不是越复杂越好，而是越“贴切”越好。

5.4 关于Stata工具链的几条建议

聊到Stata本身，我顺便补充几句经验。版本方面，较新版本的arima命令在速度和稳定性上都有明显提升，建议尽量使用新版。新手常问的“Stata怎么下载、安装包去哪里找”，这个问题我不展开，只想说：用正规渠道装好软件之后，第一时间确认命令版本，可以用which arima查看。如果你的Stata版本较老，一些arima选项可能不支持，会影响实操体验。

另外，处理时间序列时建议把工作目录设置好：

cd "D:\my_project\time_series"

用log using记录操作过程：

log using "arima_log.smcl", replace

养成记录分析过程的习惯，对毕业论文和项目报告都很重要。时间序列分析的命令往往成串，中间有任何一步出问题，回头看日志能省很多排查时间。

5.5 一个完整的AR(2)实操模板

最后，我给你留一个可以直接套用的模板，把前面所有内容整合起来：

* 1. 导入数据并设置时间变量 use "yourdata.dta", clear tsset datevar * 2. 画序列图，肉眼判断平稳性 tsline y * 3. ADF检验，不平稳则差分 dfuller y, trend lags(2) dfuller d.y, lags(2) * 4. 看ACF和PACF，判断阶数 ac y, lags(15) pac y, lags(15) corrgram y, lags(15) * 5. 估计AR(2)模型 arima y, arima(2,0,0) * 6. 稳定性检验 estat aroots * 7. 残差诊断 estat ic predict res, residuals wntestq res, lags(12) corrgram res, lags(12) * 8. 尝试ARMA(2,1)并比较 arima y, arima(2,0,1) estat ic

把这段模板跑通，你对ARMA系列模型的整个操作流程就有了肌肉记忆。后面再做ARIMA(2,1,1)、SARIMA之类的模型，其实都是在模板上做加法。

就我个人体会而言，自相关矩阵和AR模型之间的关系，不是“额外背一个知识点”，而是理解模型参数的钥匙。每当我看到一组AR(2)估计系数，都会先在脑子里过一遍：ρ1、ρ2应该在什么范围，和样本ACF是否吻合。如果对不上，八成是设定、数据或平稳性哪里出了问题。这个小习惯帮我避开过很多无效的模型迭代。最后再分享一个小技巧：你可以把估计得到的φ1和φ2代入Yule-Walker方程，算出理论ρ1、ρ2，再和corrgram输出的样本值对比。两者差距越小，说明模型和数据的“内在节律”越同步。这个办法对新手建立模型直觉特别有效，比单纯追求p值和AIC实用多了。