ARIMA 更通用。它允许拟合某些非平稳时间序列，甚至是低阶自回归模型无法拟合的平稳序列。

ARIMA 建模的核心是以下概念：

让数据自己说话。

正如gung已经说过的，您应该使用与数据一致的模型。

有时，AR 模型提供了数据生成机制的充分表示。其他时候，ARIMA 模型更合适。ARIMA 建模的关键在于采用识别、估计和诊断检查的迭代过程。因此，建议不要先验地选择模型。再次，让数据说话。

然而，在构建 ARIMA 模型时，值得牢记简约原则。如果您处于最终模型有两个候选模型的情况，其中一个只有 1 个参数需要估计，而另一个模型有 10 或 20 个（甚至是无限数量！），那么您最好的选择可能会采用更简约的模型；参数为 1 的那个。请注意，在这种情况下，随着时间的推移监控两个模型不会造成任何伤害。

最后，应该认识到 AR 和 ARIMA 模型是同一类模型中的模型（因此，在某种意义上，它们具有相同程度的复杂性），并且正确构建的ARIMA 模型 - 无论结果是 AR 还是 ARIMA - 将产生最佳预测。也就是说，没有其他单变量、线性、固定参数模型具有更小的均方预测误差。因此，如果您在 ARIMA 模型正确的情况下选择 AR 模型，那么您构建的模型将无法正确构建，您的预测将是次优的。