使用不稳定自回归(AR)模型提取系数用于时序分类是否可行？

首先给出核心判断：仅提取AR系数用于时间序列分类的场景下，绝大多数情况可以使用不稳定AR模型，不需要因为模型不稳定直接丢弃结果，仅需要注意少量边界问题。

原理层面的合理性 #

• AR模型的稳定性约束（特征方程根模严格大于1，伴随矩阵特征值模严格小于1）本质是为了保证序列平稳、多步外推预测不会无界发散，这个约束是完全针对预测场景设计的，和样本内拟合、系数特征提取的目标没有强绑定关系。
• 不稳定AR的拟合系数仍然是对当前样本内序列相邻观测依赖关系的量化，只要你的分类任务是基于序列本身的依赖模式差异区分类别，这些系数的区分能力不会因为模型不稳定消失。比如含单位根的非平稳序列拟合AR(1)得到的接近1的系数，本身就是区分平稳/非平稳序列的核心分类特征。

需要注意的潜在问题 #

• 普通最小二乘（OLS）拟合不稳定AR模型时，系数估计的跨样本鲁棒性会弱于稳定AR模型：如果同类序列的波动差异较大，同一类别拟合得到的系数方差会更高，可能降低分类器的泛化能力。这种情况可以先对序列做差分、去趋势预处理后再拟合稳定AR模型，特征可靠性会更强。
• 注意关闭工具包的默认稳定性约束：多数时序分析工具包的AR拟合函数默认会开启稳定性校验，会自动截断、修正不满足稳定条件的系数，这种情况得到的系数会失真，反而会丢失分类所需的特征信息，拟合前要确认参数配置。
• 如果分类标签和序列的长期趋势、爆发性相关，不稳定AR的系数区分度反而会高于强制稳定的AR系数，不需要刻意规避不稳定结果。

实操建议 #

不需要刻意筛选掉不稳定的AR拟合结果，可以直接将全量无约束拟合得到的AR系数输入分类模型，后续通过特征重要性评估环节验证这部分系数对分类任务的贡献即可。

内容的提问来源于stack exchange，提问作者Eric94