比较下图中的两个模型。第一条（红色曲线）严重过拟合数据，而第二条（蓝线）欠拟合。你能说出哪个更好吗？我会说两者都很糟糕。

如果您的模型过拟合，那么它完全适合您的数据，但可能无法进行样本外预测。如果它不适合，那么如果它不适合您的样本内数据，但它可以在外部数据上更好或更差。两种情况都很糟糕。从实际的角度来看，您选择最适合您的目的的模型，或者用两个词说，这取决于。从实际的角度来看，您不会考虑较差的模型。

一般来说，很难说是过拟合还是欠拟合更不受欢迎——这可能取决于你的应用程序。

但在实践中，最好从一个有足够能力过拟合训练数据的模型开始，因为有很多技术可以处理过拟合（例如，正则化、dropout、降维等）

在 ARIMA 模型中，由于模型错误指定包含无根据的差分算子和自取消 ma 算子导致预测不佳，通常会执行过度拟合。加入自抵消ARMA结构也有同样的效果。就因果变量纳入统计上不显着（不必要，即与 0.0 不同）的滞后结构而言，通常影响很小或没有影响。我建议过度建模 ARIMA 模型可能是一个坏主意，而对休闲模型建模不足是一个坏主意。