从图形上区分 ARMA 模型和 ARIMA 模型并不容易。问题在于，通过将自回归特征多项式的根之一任意接近 1，可以使固定 ARMA 形式任意接近 ARIMA 形式。试图区分这些模型相当于试图确定自回归特征多项式中是否存在单位根。这通常需要正式的建模和测试，而在纯图形的基础上这不是一件容易的事。

鉴于没有脉冲、电平转换、季节性脉冲、本地时间趋势，并且最终 ARIMA 参数和模型误差方差随时间保持不变，并且您已经适当地（不超过）对序列进行差分以获得平稳性然后：比较 acf 和pacf 的统治地位。检查主导结构，如果它具有衰减结构，则得出结论，如果主导结构是 acf，则模型具有 AR 组件，如果主导结构是 pacf，则得出 MA 结构。AR 或 MA 结构的顺序基于下属中重要系数的数量。这可能会有所帮助http://www.autobox.com/cms/index.php/blog/entry/build-or-make-your-own-arima-forecasting-model. 这个想法是，ARIMA 模型识别有时（通常）需要一系列模型识别/估计/诊断检查以检测潜在信号（ARIMA 模型）。将第一遍视为来自平均模型（第一个暂定模型）的残差，您可以理解没有“识别阶段”之类的东西，只是一系列模型修订阶段。