时间序列回归模型尝试使用响应历史(自回归动态)解释当前响应,以及从相关预测器(或其他方式)的动态传输动态。变量之间的潜在关系的理论框架通常允许系统的不同表示。
使用时间序列回归模型进行分析时间序列数据,这是您在连续时间点进行的测量值。例如,使用时间序列回归建模:
检查目前的线性效应及过去失业率及过去通货膨胀率的通货膨胀率。
通过使用Arima模型预测GDP增长率,并将CPI增长率包括预测值。
确定单位降雨量,肥料量和劳动力如何影响作物产量。
您可以通过构建设计矩阵开始时间序列分析(XT.),其可以包括预测器的当前和过去观察。您还可以使用自回归(AR)组件来补充回归组件,以便响应的可能性(yT.)动态。例如,包括在回归分量中的通胀率的过去测量,以解释当前的通胀率。AR术语账户对回归分量无法解释的动态,这必须在计量计量的应用程序中缺乏指定。此外,AR术语吸收剩余自相关,简化创新模型,并普遍提高预测性能。然后,将普通的最小二乘(OLS)应用于多个线性回归(MLR)模型:
如果残留分析表明古典线性模型假设偏离,例如异源性或自相关(即,非球误差),那么:
有时间序列模型可以比MLR模型更明确地模拟动态。这些型号可以考虑与MLR模型的AR和预测效应,但具有以下益处:
占移动平均(MA)效果的核算。包括MA术语来减少AR滞后的数量,有效减少初始化模型所需的观察数。
轻松建模季节性效果。为了使用MLR模型模拟季节性效果,您必须建立一个指示器设计矩阵。
单位根除阶段的非季节和季节集成建模。
这些模型也与MLR不同,因为它们依赖于分发假设(即,它们使用最大估计可能性)。流行类型的时间序列回归型号包括:
自回归综合移动平均水平与外源性预测器(Arimax)。这是一个线性地包括预测因子(外源或其他)的Arima模型。有关详细信息,请参阅阿玛玛
或者ARIMAX(P,D,Q)模型。
Arima时间序列错误的回归模型。这是一个无条件干扰过程的MLR模型(你T.)是一个Arima时间序列。换句话说,你显式模型你T.作为线性时间序列。有关详细信息,请参阅蛙
。
分布式滞后模型(DLM)。这是一个MLR模型,包括持续时间的预测器的效果。换句话说,回归分量包含用于预测器的同时和滞后值的系数。OuthoMetrics Toolbox™不包含模拟DLMS明确的功能,但您可以使用蛙
或者Fitlm.
利用适当构造的预测器(设计)矩阵来分析DLM。
转换功能(自回归分布式滞后)模型。该模型扩展了分布式滞后框架,因为它包括自回归术语(滞后响应)。OuthoMetrics Toolbox不包含显式模拟DLM的功能,但您可以使用阿玛玛
具有适当构造的预测矩阵的功能,以分析自回归DLM。
您在使用哪种型号的选择取决于您的分析目标以及数据的属性。
[1] Greene,W. H.经济学分析。第6届。Englewood Cliffs,NJ:Prentice Hall,2008。