时间序列回归是一种预测基于响应历史的未来响应(被称为自回归动态)和动态的从相关预测因子传递的统计方法。时间序列回归可以帮助您了解并预测从实验或观测数据的动态系统的行为。时间序列回归是常用的建模和经济,金融和生物系统的预测。
您可以通过建立一个设计矩阵开始时间序列分析(\(X_T \)),它可以包括当前和过去的观察预测下令时间(t)。然后,应用普通最小二乘(OLS)的多元线性回归(MLR)模型
\ [y_t = X_T \的β+ u_t \]
得到的响应(\(y_t \)),以设计矩阵的线性关系的估计。\(\测试\)表示要计算的线性参数估计值和(\(u_t \))表示的创新方面。将残余的术语可以在MLR模型被扩展到包括异或自相关作用。
其他模型捕捉动态更明确地包括:
- 自回归综合平均用外源的预测移动(ARIMAX)
- 回归模型ARIMA时间序列错误
- 分布滞后模型
模式的选择取决于你的目标的分析和数据的属性。看到计量经济学工具箱™更多细节。