摘要
确定多元时间序列的自回归（AR）阶数是基础性步骤，其准确性决定了后续的所有建模与预测任务。在每小时电力负荷和日内金融价格等数据中，常常会出现两种同时作用的季节性周期性，但目前尚不存在完善的贝叶斯识别框架。本文针对这一缺陷，提出了一种用于双季节性向量自回归（DSVAR）模型的完整贝叶斯阶数识别方法。这类DSVAR模型是由乘法三重自回归运算符控制的多元过程，能够同时捕捉常规动态、第一季节性动态和第二季节性动态。我们将这三个阶数指标视为未知的离散参数，并推导出该阶数组合的联合后验概率密度函数的封闭形式表达式。文中考虑了两种互补的先验分布：共轭矩阵正态-威沙特先验和杰弗里斯非信息性先验。分析是在误差呈对称正态分布的假设下进行的，这一假设既便于分析处理，又能确保对于所有可行的阶数组合都能精确计算出后验概率。具体而言，在每种先验下，后验概率密度函数都可以简化为明确的行列式表达式，可通过简单的三维网格搜索来计算。通过对多种DSVAR模型的蒙特卡洛模拟验证，所提出的方法在各种参数配置和先验选择下，即便在样本量较少的情况下也能实现较高的识别精度。将该贝叶斯方法与标准的贝叶斯信息准则（BIC）进行对比，结果表明在所有情况下，所提方法的正确识别率均更高。以捷克共和国和德国的每小时电力负荷数据，以及沙特阿拉伯纳杰兰的每小时太阳辐射数据为实证案例，进一步证明了该贝叶斯识别方法的实际应用价值。
