在参数和非参数时间序列模型之间进行选择主要取决于您的数据特征和分析目标。参数模型，如ARIMA (自回归综合移动平均)，依赖于对生成数据的基础过程的特定假设，包括固定参数，如趋势和季节性。这些模型通常更容易解释，并且在假设成立的情况下可以提供可靠的预测。如果您对数据中的基础模式有很强的理解，并且可以使用有限的参数集捕获它们，则参数模型可能是合适的。
另一方面，诸如核回归或最近邻之类的非参数模型不依赖于预定义的结构，并且可以适应数据的固有属性。当您怀疑数据中的关系可能很复杂或参数模型所需的假设不成立时，这些模型很有用。例如，如果您正在处理不规则间隔的时间数据或遇到不容易被ARIMA等标准模型捕获的非线性模式，非参数方法可以提供更大的灵活性和可能更准确的预测。
最终，选择还取决于计算效率和可解释性。参数模型往往需要更少的数据来产生可靠的估计，使它们更快地运行，这是处理大型数据集的一个重要方面。非参数方法虽然对于复杂结构通常更准确，但通常需要更多的数据和更长的计算时间。因此，在决定最佳方法时，请同时考虑数据的性质和特定的预测需求。