目前想到的一个比较笨的办法是用fracdiff命令得到不同p、q组合下的参数估计结果，从中提取AIC或者BIC值，取最小的值即可确定p、q阶数。譬如去p=1，q=2时对应结果为：

Call:
  fracdiff(x = x, nar = 1, nma = 2, h = 1e-06)

Coefficients:
          d          ar         ma1         ma2
0.35299256  0.91870294  1.06575744 -0.08379752
sigma[eps] = 0.8982028
a list with components:
[1] "log.likelihood"  "n"               "msg"             "d"              
[5] "ar"              "ma"              "covariance.dpq"  "fnormMin"      
[9] "sigma"           "stderror.dpq"    "correlation.dpq" "h"              
[13] "d.tol"           "M"               "hessian.dpq"     "length.w"      
[17] "call"  

想问下这个AIC值或者BIC值应该如何提取呢？         

用S-PLUS试了下，结果如下：
y=FARIMA(x,p.range=c(0,2),q.range=c(0,2),mmax=0)
结果：
p = 0  q = 0
p = 0  q = 1
p = 0  q = 2
p = 1  q = 0
p = 1  q = 1
p = 1  q = 2
p = 2  q = 0
p = 2  q = 1
p = 2  q = 2

summary(y)
结果：
Call:
FARIMA(x = x, p.range = c(0, 2), q.range = c(0, 2), mmax = 0)

Coefficients:
         Value Std. Error  t value Pr(>|t|)
    d  -0.0848   0.0234    -3.6194   0.0003
AR(1)   0.7257   0.0189    38.3355   0.0000
MA(1)   0.4391   0.0087    50.4501   0.0000

Information Criteria:
log-likelihood       BIC
-24887.50       49804.55

Residual scale estimate: 0.8981

                   total residual
Degree of freedom: 18978    18974

BIC of all models estimated:
       q=0        q=1       q=2
p=0  49956.33   49955.87   49917.32
p=1  49953.95   49804.55   49813.03
p=2  49887.75   49814.71   49807.89

模型定阶为p=1、q=1，是根据BIC准则确定的。但感觉其对参数d的估计不好，d=-0.0848，d应该在0~0.5的范围内才合适。用R计算相同阶数时对应的d值为0.2481836。与S-PLUS估计的参数存在明显差别。

欢迎大家一起探讨一下这个问题啊！数据文件如下。

你的问题很好，我也学习学习

论坛里有没有做过FARIMA参数辨识和估计的 怎么同样的数据系列分别用S-PLUS和R做出来的估计结果完全不同呢？？