¿Cuál es el mejor modelo para ajustar un modelo de serie temporal apropiado a las diferencias no estacionales de primer orden de los datos transformados logarítmicamente?

Aquí es donde entran en juego tanto el conocimiento del proceso subyacente (si existe tal conocimiento) como los datos mismos. Sin embargo, lo primero y más importante es el problema que desea resolver (incluidas las limitaciones de tiempo y recursos).

No hay mejor método. Realmente, no lo hay, hay que mantener la vigilancia. Todos los métodos para elegir un modelo diferente son heurísticos en el mejor de los casos. He estado pensando en este tipo de problema durante bastante tiempo, y aunque tengo un proceso que utilizo, no funciona en todos los casos. Tampoco lo espero.

Un enfoque basado en datos en la selección de modelos generalmente fallará eventualmente cuando no haya incluido salvaguardas contra cosas que pueden salir mal. Como nunca puedes saber todo lo que puede ocurrir, es difícil evitarlo.

La comprensión teórica solo funciona mientras el proceso satisfaga los supuestos que subyacen a la teoría.

Por lo general, combino los dos, además de tener algunas salvaguardas en el lugar que la experiencia me enseñó.

Ningún modelo único mantendrá la precisión del pronóstico a menos que se mantenga y supervise activamente, a menos que se trate de un proceso que sea relativamente simplista. O hasta que se produzca la IA general, si es así.