ผลลัพธ์ที่สำคัญและมีประโยชน์อย่างหนึ่งคือทฤษฎีบทการเป็นตัวแทนของโวลด์ (บางครั้งเรียกว่าการสลายตัวของโวลด์) ซึ่งบอกว่าทุกอนุกรมเวลาคงที่ความแปรปรวนคงที่Yเสื้อสามารถเขียนเป็นผลรวมของอนุกรมเวลาสองชุด
Yเสื้อ= μเสื้อ+ ∑∞j = 0ขJεt - jที่μเสื้อเป็นตัวกำหนด
เทอมที่สองคือ MA ที่ไม่มีที่สิ้นสุด
(เป็นกรณีที่ MA invertible MA สามารถเขียนเป็นกระบวนการ AR ที่ไม่สิ้นสุด)
สิ่งนี้ชี้ให้เห็นว่าหากซีรีส์นั้นแปรปรวนร่วมกันและถ้าเราคิดว่าคุณสามารถระบุส่วนที่กำหนดได้คุณก็สามารถเขียนส่วนสโตแคสติกเป็นกระบวนการ MA ได้ ในทำนองเดียวกันถ้าแมสซาชูเซตตอบสนองเงื่อนไขการกลับตัวคุณสามารถเขียนมันเป็นกระบวนการ AR
หากคุณมีกระบวนการเขียนในรูปแบบหนึ่งคุณมักจะสามารถแปลงเป็นรูปแบบอื่น
อย่างน้อยก็ในแง่หนึ่งสำหรับชุดความแปรปรวนแบบคงที่บ่อยครั้งที่ AR หรือ MA จะเหมาะสม
แน่นอนว่าในทางปฏิบัติเราจะไม่มีโมเดลที่ใหญ่มาก หากคุณมี AR หรือ MA อัน จำกัด ทั้ง ACF และ PACF จะสลายตัวทางเรขาคณิตในที่สุด (มีฟังก์ชันทางเรขาคณิตที่ค่าสัมบูรณ์ของฟังก์ชันใดฟังก์ชันหนึ่งจะอยู่ด้านล่าง) ซึ่งจะมีแนวโน้มว่าการประมาณที่ดีของทั้ง AR หรือ แม่ในรูปแบบอื่น ๆ มักจะสั้นพอสมควร
ดังนั้นภายใต้เงื่อนไขความแปรปรวนคงที่และสมมติว่าเราสามารถระบุส่วนประกอบที่กำหนดขึ้นและสุ่มสุ่มบ่อยครั้งทั้ง AR และ MA อาจเหมาะสม
วิธีการของ Box and Jenkins มองหาโมเดลที่น่าพิศวง - แบบ AR, MA หรือ ARMA ที่มีพารามิเตอร์น้อย โดยทั่วไปแล้ว ACF และ PACF จะใช้ในการระบุรูปแบบโดยเปลี่ยนเป็นความคงที่ (โดยอาจจะเป็นความแตกต่าง) การระบุแบบจำลองจากลักษณะที่ปรากฏของ ACF และ PACF (บางครั้งผู้คนใช้เครื่องมืออื่น) ปรับรูปแบบและตรวจสอบ โครงสร้างของส่วนที่เหลือ (โดยทั่วไปผ่าน ACF และ PACF บนส่วนที่เหลือ) จนกระทั่งชุดส่วนที่เหลือปรากฏขึ้นอย่างสอดคล้องกับสัญญาณรบกวนสีขาว บ่อยครั้งที่จะมีหลายรุ่นที่สามารถให้การประมาณที่สมเหตุสมผลกับซีรี่ส์ (ในทางปฏิบัติมักจะพิจารณาเกณฑ์อื่น ๆ )
มีเหตุผลบางประการสำหรับการวิจารณ์ของวิธีการนี้ ตัวอย่างหนึ่งค่า p ที่เป็นผลมาจากกระบวนการวนซ้ำดังกล่าวโดยทั่วไปจะไม่คำนึงถึงวิธีการที่โมเดลมาถึง (โดยดูที่ข้อมูล) ปัญหานี้อาจหลีกเลี่ยงได้อย่างน้อยบางส่วนโดยแยกตัวอย่างเช่น การวิจารณ์ตัวอย่างที่สองคือความยากลำบากในการได้รับซีรีส์นิ่งในขณะที่บางคนอาจแปลงร่างเพื่อให้ได้ซีรีส์ที่ดูสมเหตุสมผลสอดคล้องกับสเตชั่นมันมักจะไม่เป็นเช่นนั้นจริง ปัญหาของแบบจำลองทางสถิติแม้ว่าบางครั้งอาจมีปัญหามากกว่านี้)
[ความสัมพันธ์ระหว่าง AR และสอดคล้องแมสซาชูเซตอนันต์กล่าวถึงใน Hyndman และ Athanasopoulos' พยากรณ์: หลักการและการปฏิบัติ ,
ที่นี่ ]