顺着这两个信号读一遍就更清楚：lag 1 到 11 干净，非季节块已经吸收相邻月份之间的相关；越界的位置正好压在 12 上，指的就是隔年重复的那一层。

材料给的候选修正也就两条：把 $Q$ 从 1 提到 2，或者加进一个 seasonal AR 项。改完重新拟合，再把残差图、ACF、PACF 和 Ljung–Box 从头走一遍，用新一轮的诊断结果说话。

📌 现场固定成四个动作：圈出越界的尖峰 → 判断它属于普通 lag 还是季节 lag → 只改对应的那一块 → 重新拟合并再诊断一次。每一次修改都要走满这四下，改完就收工的话，同一根尖峰下一轮还在。

⚖️ 残差更干净了，BIC 却往上走

改完以后经常碰到这种局面：$Q$ 提到 2，残差确实老实了，Ljung–Box 的 $p$ 值也上去了，可 BIC 比原来那个模型还高。多出来的参数被复杂度惩罚扣了回去。

BIC 对参数个数的罚项比 AIC 重，模型一复杂它就先叫起来，两个数偶尔给出相反的结论，属于常见情况。

这时候把几样东西并排摆着看 🔎 AIC 和 AICc、Ljung–Box 的结果，以及滚动样本外的 MAE 和 RMSE。留哪个模型，看这次的目标偏解释还是偏预测。偏预测的话，滚动样本外那组误差更值得信；偏解释的话，残差这一侧的表现和信息准则之间怎么权衡就更要紧。单独一个指标撑不住这个决定，也别指望它保证选到最好的那一个。

✍️ review 时拿自己的 answer 过一遍

最容易走偏的地方有两个 ⚠️ 一个是只扫到 lag 11 就收手，隔一年重复的那层结构从眼皮底下溜过去；另一个是看见 lag 12 越界，却回头去加普通的 AR 或者 MA 阶数。

前面那条尤其不显眼。图上前十来根柱子确实都在界里，人就容易顺手收工，可月度数据的季节结构本来就要等到 12 才露面，扫到 11 停下，等于把要找的东西提前关在了视野外面。

后面这条的代价说具体一点：模型里多了几个没有对准问题的参数，原来的季节相关照样留在残差里，Ljung–Box 大概率还是过不去，这一轮重估基本白算。放到草稿里，可以写成「lag 12 越界，指向 $(P,Q)_{12}$，把 $Q$ 提到 2 重估」，$p$ 和 $q$ 保持原样。

练手的时候按这几条自查：

• ACF 和 PACF 一直扫到 lag 12 以后，没有停在 lag 11
• 越界的尖峰都标了位置，普通 lag 和季节 lag 分开列
• 每次只动一块阶数，改完重新拟合并重做整套残差检查
• 残差变好而 BIC 上升时，AIC、Ljung–Box 和样本外误差一起看过

🧭 把这轮 review 收成一个顺序：先用三条信号判断残差，再按尖峰位置回到对应的那一块。