是否有一种标准方法来评估新的时间序列分析实施的合理性？

就在这里。验证您从头开始构建的一种方法是从您选择的数据生成过程 (DGP) 中模拟ARIMAX 时间序列（参见例如http://robjhyndman.com/hyndsight/arimax/）。

调用您选择的 DGP 参数，然后：$\theta$

1. 从 DGP 中抽取样本。
2. 估计模型的参数：。做出预测：。$\hat{\theta}$$\hat{y}_{T+h|T}$
3. 评估和。$|| \hat{\theta} - \theta||_{\text{a metric}}$$||\hat{y}_{T+h|T} - y_{T+h}||_{\text{a metric}}$
4. 重复1 to 3几次，同样适用于不同的 DGP 和样本大小。
5. 您要么增加对构建的信心，要么找到需要改进的弱点。

一个合理的指标可能是平方损失。就个人而言，我喜欢使用“眼球指标”来预测残差，它们的分布可以通过直方图来评估。

有些人所做的是某种“有序”的 k 折交叉验证。（例如，检查这里。）您将数据划分为分区。然后，在分区 1 上拟合模型，在分区 2 上进行测试，得到预测误差。然后，将模型拟合到分区 1 和 2 的并集上，在分区 3 上进行测试，得到预测误差。依此类推，然后平均预测误差。$k$