Box-Jenkins 方法是一种可用于构建 ARIMA 模型的策略或程序。该方法在George EP Box 和 Gwilym M. Jenkins 所著的《时间序列分析：预测和控制》一书中进行了概述，该书最初于 1970 年出版 - 存在更新的版本。

通过打开 SAS，调用 proc ARIMA，并提供 p、d 和 q 的数字，您只是估计了一个 ARIMA 模型。盲目地这样做，即不使用任何特定的公认方法来识别 ARIMA 模型本身，有点像玩火柴——软件的危险！

如果您不断重复此过程 - 估计大量的 ARIMA 模型 - 您最终将能够选择具有最低 Akaike 信息标准的模型（从您估计的模型集中）。在这种情况下，更系统的方法是使用基于比较各种不同模型的 AIC 值的算法来自动为您选择 ARIMA 模型，例如 R 中的预测包提供的模型 - 相关函数名称是auto.arima()。

无论如何，您概述的过程涉及基于最小化某些信息标准（在本例中为 AIC，但还有其他措施）来选择 ARIMA 模型。这是一种特殊的方法，但它不是 Box-Jenkins 方法；替代。

Box-Jenkins 方法包括五个阶段（尽管有时据说只涉及三个阶段）：

1. 检查平稳性或非平稳性并在必要时转换数据；
2. 确定合适的 ARMA 模型；
3. 估计所选模型的参数；
4. 模型充分性的诊断检查；和
5. 预测，或重复步骤二到五。

值得注意的是，这是一个迭代过程，需要模型构建者进行一些判断——这是该方法被认为是缺点的一个方面。判断部分尤其在解释两种工具时发挥作用；即（估计的）自相关函数（ACF）和偏自相关函数（PACF）。

如果您想成为 Box-Jenkins 方法的实践者，我建议您参考原始文本（您会惊讶于现代教科书省略了什么！）以及您可以找到的任何现代变体。Alan Pankratz 有几本优秀的教科书，我也强烈推荐；例如，使用单变量 Box-Jenkins 模型进行预测：概念和案例。

经验告诉我，术语“Box-Jenkins 方法”的使用方式很松散，因为我听说有些人用它来简单地指代一般的 ARIMA 模型构建 - 而不是构建 ARIMA 模型所涉及的实际过程- 而其他人则使用它来指代 1970 年发布的内容的修改版本。正如@Glen_b 所指出的，“如今有许多文件描述了 Box-Jenkins 方法，其中包括使用 AIC 或类似数量” .

问：您是否应该使用 Box-Jenkins 方法来得出 p、d、q 的初始估计值？

如前所述，有不同的模型选择策略，因此答案是否定的，您不一定需要使用 Box-Jenkins 方法，但如果您愿意，可以。

问：SAS 是否以某种方式在内部使用它？

除非该软件提供相当复杂的功能，否则极不可能！请查阅官方 SAS 文档，了解该软件的功能或功能的详细信息。如果是 R，您可以查看源代码，但我怀疑这是 SAS 的一个选项。

Box 和 Jenkins 自己没有使用 AIC。他们的书是在 1970 年基于之前开发的方法出版的，而 Akaike 关于 AIC 的论文是在该书出版后（不久）出版的。

他们的方法论在他们的书 [1] 中进行了概述，但今天“Box-Jenkins”所涵盖的内容更广泛，并且因人而异。

Box 和 Jenkins 自己给出了一个关于模型识别的简单流程图，这可能被视为对他们用于识别模型的过程的有用总结。（如果可以的话，我建议你看看这本书——大多数体面的大学图书馆都应该有一本。）

他们结合了模型识别、估计和诊断检查/验证的阶段（包括如果模型不充分则返回第一阶段），然后一旦确定了适当的模型，就可以预测模型。

此处的维基百科页面概述了所涉及的内容，但它包含了许多内容，这些内容已添加到自本书出版以来人们倾向于这样做的内容中。事实上，如今许多描述 Box-Jenkins 方法的文件都包括使用 AIC 或类似数量。

另请参阅此处的讨论。

最近的书籍（例如，参见上面的维基百科页面）给出了一般方法的更“现代”版本。

最后，如果你想知道 Box-Jenkins 方法真正“是”什么，我会说“从他们的书开始”。如果做不到这一点，最近对 ARIMA 模型的一些处理涵盖了大致相似的方法——尝试任何数量相当不错的涵盖 ARIMA 模型的时间序列书籍。

[1]：盒子，乔治；Jenkins, Gwilym (1970)，
时间序列分析：预测和控制
旧金山：Holden-Day