时间序列回归模型
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。
参考
[1] Greene，W. H.经济学分析。第6届。Englewood Cliffs，NJ：Prentice Hall，2008。
也可以看看
相关话题
您还可以从以下列表中选择一个网站：
