模型识别是建立自回归模型的关键步骤。本文研究了LASSO、SCAD和MCP等3种系数压缩方法在自回归模型识别中的应用。应用Monte Carlo数值模拟模拟了12组不同的自回归模型,比较了不同惩罚函数、截断准则、显著性水平、样本量和系数大小下的自回归模型识别情况。数值模拟结果表明惩罚函数、截断准则、显著性水平、样本量和系数大小等几个因素对自回归模型识别的正确率均有显著影响。仅就单个因素的模型识别的正确率而言：MCP优于SCAD和LASSO; BIC优于AIC和GCV；大样本优于小样本；大系数优于小系数。根据数值模拟的结果,本文归纳了基于系数压缩方法的自回归模型识别的最优组合：惩罚函数MCP+截断准则BIC,其正确率为76.4%。建议在实际应用中将多种方法结合起来以达到精确识别模型的目的。同时,为了准确评价几种系数压缩方法的实际效果,将其应用于行为科学的时间序列数据的研究中,并将模型识别的结果与其他学者的结论相比较。研究发现实证分析归纳出的最优组合与数值模拟归纳出的最优组合完全一致。综上所述,系数压缩方法可以有效地应用于自回归模型识别的问题中。