Jednym ważnym i użytecznym rezultatem jest twierdzenie reprezentacji Wolda (czasami nazywane rozkładem Wolda), które mówi, że każda kowariancyjno-stacjonarna seria czasowa Yt może być zapisana jako suma dwóch serii czasowych, jednej deterministycznej i jednej stochastycznej.
Yt= μt+ ∑∞j = 0bjotεt - j, gdzie μt jest deterministyczne.
Drugi termin to nieskończony MA.
(Jest tak również w przypadku, gdy odwracalne MA można zapisać jako nieskończony proces AR).
Sugeruje to, że jeśli szereg jest kowariancyjno-stacjonarny i jeśli założymy, że możesz zidentyfikować część deterministyczną, to zawsze możesz napisać część stochastyczną jako proces MA. Podobnie, jeśli IZ spełnia warunek odwracalności, zawsze można zapisać go jako proces AR.
Jeśli masz proces napisany w jednym formularzu, często możesz go przekonwertować na inny formularz.
Przynajmniej w jednym sensie, w przypadku stacjonarnych szeregów kowariancji, często odpowiednie będzie AR lub MA.
Oczywiście w praktyce wolelibyśmy nie mieć bardzo dużych modeli. Jeśli masz skończone AR lub MA, zarówno ACF, jak i PACF ostatecznie rozpadają się geometrycznie (istnieje funkcja geometryczna, której bezwzględna wartość którejkolwiek z funkcji będzie znajdować się poniżej), co zwykle będzie oznaczać, że dobre przybliżenie AR lub MA w innej formie może często być dość krótkie.
Zatem w warunkach kowariancji stacjonarnych i przy założeniu, że możemy zidentyfikować deterministyczne i stochastyczne składniki, często zarówno AR, jak i MA mogą być odpowiednie.
Metodologia Boxa i Jenkinsa szuka modelu oszczędnego - modelu AR, MA lub ARMA z kilkoma parametrami. Zazwyczaj ACF i PACF są używane do próby identyfikacji modelu, poprzez przekształcenie do stacjonarności (być może poprzez różnicowanie), identyfikację modelu na podstawie wyglądu ACF i PACF (czasami ludzie używają innych narzędzi), dopasowanie modelu, a następnie zbadanie struktura reszt (zwykle za pomocą ACF i PACF na resztkach), dopóki szereg resztek nie wydaje się w miarę zgodny z białym szumem. Często występuje wiele modeli, które mogą zapewnić rozsądne przybliżenie serii. (W praktyce często brane są pod uwagę inne kryteria.)
Istnieją pewne podstawy do krytyki tego podejścia. W jednym przykładzie wartości p wynikające z takiego iteracyjnego procesu zasadniczo nie uwzględniają sposobu, w jaki uzyskano model (patrząc na dane); tego problemu można przynajmniej częściowo uniknąć na przykład poprzez podział próbek. Drugą przykładową krytyką jest trudność w uzyskaniu szeregu stacjonarnego - podczas gdy w wielu przypadkach można przekształcić, aby uzyskać szereg, który wydaje się być dość spójny ze stacjonarnością, zwykle tak się nie dzieje (podobne problemy są częste problem z modelami statystycznymi, choć być może może to być bardziej problem).
[Związek między AR a odpowiadającym mu nieskończonym MA omówiono w Prognozach Hyndmana i Athanasopoulosa : zasady i praktyka ,
tutaj ]