Выбор порядка модели авторегрессии влияет на качество прогнозов, но не всегда так, как может показаться: чем точнее модель подогнана к исходным данным, тем лучше должен быть прогноз. 1

Модели высоких порядков сопряжены с оценками многочисленных параметров, которые могут оказаться бесполезными, особенно если длина временного ряда не очень велика. 2 Это происходит потому, что при вычислении параметра каждое значение временного ряда сравнивается с его ближайшими соседями, расположенными не далее, чем через несколько временных интервалов. 2

С другой стороны, если в модель с большим порядком попадёт много шума, провалов, выбросов из исходных данных, то авторегрессия не сможет обобщить имеющиеся тенденции, а просто запомнит те данные, что были со всеми их недостатками. 1 В результате вместо прогноза спроса можно получить, например, прогноз проблем со складом и резких выбросов. 1

Таким образом, важно определить грань, когда стоит прекратить увеличивать порядок авторегрессии и включать всё больше данных в модель прогнозирования. 1 Для этого существует множество разных методик, например, введение штрафа за сложность модели. 1