Schur-Cohn算法有d；这是我几年前在伯克利的计算统计课上学到的。$d=2$

没有必要找到个复数根，只要它们不被自己使用。此外，大多数（如果不是全部）根查找过程对于大可能会失败。$p$$p$

另一种解决方案如下。模型可以重新参数化，这要归功于它的 偏自相关 (PAC) for。PAC 通常表示为因为它们的计算涉及数组。个 系数 的向量与个条件 定义的区域中为。“AR 到 PAC”的转变$\mathrm{AR}(p)$$p$$\zeta_k$$1 \le k \le p$$\phi_{k,k}$$\phi_{k,\ell}$$\boldsymbol{\rho}$$p$$\boldsymbol{\zeta}$$p$$|\zeta_k | < 1$$1 \le k \le p$$\boldsymbol{\rho} \mapsto \boldsymbol{\zeta}$非常简单，并且由于 Barndorff-Nielsen 和 Schou 而给出了一个漂亮的递归公式。从系数向量测试平稳性归结为计算并在一个条件下立即停止被发现。鲜为人知的逆变换 "PAC to AR" 是明确可用的（由于 Monahan），并且与直接变换一样简单。在某些情况下它也可能有用。$\zeta_k$$| \zeta_k | \ge 1$$\boldsymbol{\zeta} \mapsto \boldsymbol{\rho}$

这两个转换在名为FitAR的 CRAN R 包中（在 R 中）实现，该包 还提供了一个有效的 invertibleQ函数来测试平稳性。该软件包在以下文章中进行了描述，其中提供了参考列表。

McLeod, AI 和 Zhang Y.，“改进的子集自回归：使用 R 包” 统计软件杂志，第一卷。28，第 2 期，2008 年 10 月 。http://www.jstatsoft.org/v28/i02