对于时间序列模型而言，如何确定模型的最大滞后阶数是个重要问题。本节讨论STAR模型的最大滞后阶数选择问题。

在时间序列建模过程中，最常用的确定最大滞后阶数的方法是构建拟合模型的Kullback-Leibler信息估计量，如Akaike（1973）提出的 AIC 准则，便是Kullback-Leibler信息的渐近无偏估计量，通过最小的AIC值来获取模型的最大滞后阶数，这在线性建模中得到广泛应用。但Hurvich和Tsai（1989）指出在小样本下使用AIC准则倾向于选择过大的滞后阶数，导致过度拟合，为了避免这种情况，他们提出一种修正的AIC准则（corrected AIC），即AICc准则，该准则不改变AIC准则的渐近性质，但在小样本下，其有效地避免了过度拟合现象，并且可以应用到非线性模型中。除了AIC准则和AICc准则之外，在建模应用中还经常使用的信息准则包括：Schwarz（1978）提出的SC准则（有些文献也称SIC或BIC）、Akaike（1970）提出的FPE准则、Hannan和Quinn（1979）提出的HQ准则等。Hurvich和Tsai（1989）总结了这五种信息准则的有效性与一致性，其中，AIC、AICc及FPE准则具有有效性，而SC与HQ准则具有一致性。尽管这些信息准则在建模中得到广泛应用，但其对非线性模型的适用性问题却很少有文献提及，Wong和Li（1998）研究了TAR模型的滞后阶数选择问题，他们的研究结果表明，在小样本情况下，使用AICc准则的正确率要明显高于AIC准则及SC准则。本书通过Monte Carlo试验研究这些准则在确定STAR模型最大滞后阶数中的适用性问题，除了上述这五种信息准则外，又考虑一种将这五种信息准则进行简单算术平均的方法，将其命名为ACC准则。对于这些准则的表达式，不同的文献会有不同的表述方法，为了编程方便，本书采用的是与EViews软件相同的表示方法，下面给出这些准则的具体表达式。(www.daowen.com)

式中，l表示似然函数的对数值，m是模型参数个数，T是样本容量，p表示模型滞后阶数，是向后预测一期误差的估计量。