由于大数据分析的社会和经济需求，对时间序列的处理分析日渐重要。因为时间序列数据存在长、短记忆性以及异方差等特征，不能对时间序列直接进行分析，就需要选择合适的时间序列模型进行拟合，所以时间序列的建模和统计推断一直备受关注。模型的拟合不当，会直接造成结果的严重偏离。因此，在对数据拟合的过程中，就有必要对模型进行检验。混成检验因其适用性强，检验结果合理，得到了广泛的应用。近年来，各位学者和研究人员开始使用混成检验模型，在金融时间序列数据的处理中，混成检验逐渐成为诊断模型的重要工具。　　双AR(p)模型是具有异方差性质的AR(p)模型，具有非线性性和异方差的性质，而它具有的非线性的特点则构成研究难点。在以往的研究中，并没有学者对双AR(p)模型进行混成检验，以此来判断模型的可识别性，而在实际应用中，模型诊断在数据分析中是不可缺少的过程。　　本文的主要内容是针对双AR(p)模型提出了一种混成检验。首先，通过对模型参数进行拟极大指数似然估计，并在此估计的基础上，给出了其残差自相关函数和残差偏自相关函数，随后又提出了残差偏自相关函数的混成检验统计量；其次，通过求出残差自相关函数和残差偏自相关函数的渐近分布，进一步得出了相应混成检验统计量的极限分布；最后，通过实证分析给出了模型的参数估计。本文针对沪深300的部分股市收盘价数据进行了建模，得到了在严平稳条件下，双AR(p)模型拟合数据良好的结论。综上得出了偏自相关函数可用于双AR(p)模型的混成检验以及模型在实证研究方面可识别性的结论。