时间序列回归模型
时间序列回归模型尝试使用响应历史（自回归动力学）和相关预测因子（或其他）的动力学传递来解释当前响应。变量之间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，这些是在连续时间点进行的测量。例如，使用时间序列回归建模来：
检验当前和过去的失业率和过去的通货膨胀率对当前通货膨胀率的线性影响。
使用ARIMA模型预测GDP增长率，并将CPI增长率作为预测指标。
确定降雨量、肥料和劳动力的单位增加对作物产量的影响。
可以通过构建设计矩阵开始时间序列分析(XT)，它可以包括预测因子的当前和过去的观察结果。您还可以使用自回归（AR）组件补充回归组件，以说明响应的可能性(YT)动态。例如，在回归组件中包含过去的通货膨胀率度量来解释当前的通货膨胀率。AR术语解释了回归成分无法解释的动态，这在计量经济学应用中必然未得到充分说明。此外，AR项吸收了残差自相关，简化了创新模型，总体上提高了预测绩效。然后，将普通最小二乘(OLS)应用于多元线性回归(MLR)模型:
如果残差分析表明经典线性模型假设偏离，如异方差或自相关(即非球面误差)，则:
有一些时间序列模型比MLR模型更明确地对动态进行建模。这些模型可以像MLR模型一样考虑AR和预测效应，但具有以下附加优点：
考虑移动平均线(MA)效应。包含MA项以减少AR滞后的数量，有效减少初始化模型所需的观测数量。
易于建模季节效应。为了使用MLR模型建模季节效应，您必须构建一个指标设计矩阵。
单位根非平稳过程的非季节和季节积分建模。
这些模型也不同于MLR，因为它们依赖于分布假设（即，它们使用最大似然估计）。时间序列回归模型的流行类型包括：
带外生变量的自回归综合移动平均预测(ARIMAX)。这是一个线性包括预测因子(外生或其他)的ARIMA模型。有关详细信息,请参见
阿里玛或ARIMAX (p D q)模型.具有ARIMA时间序列误差的回归模型.这是一个MLR模型，其中无条件干扰过程(UT)是一个ARIMA时间序列。换句话说，您显式地建模UT作为线性时间序列。有关详细信息，请参阅
富豪.分布滞后模型（DLM）。这是一个MLR模型，包括预测因子随时间持续的影响。换句话说，回归成分包含预测因子的同期和滞后值的系数。计量经济学工具箱™ 不包含显式为DLMs建模的函数，但您可以使用
富豪或菲特姆使用适当构造的预测（设计）矩阵来分析DLM。传递函数（自回归分布式滞后）模型。该模型扩展了分布式滞后框架，包括自回归项（滞后响应）。计量经济学工具箱不包含显式建模DLMs的函数，但您可以使用
阿里玛具有适当构造的预测矩阵的功能，用于分析自回归DLM。
选择使用哪个模型取决于您的分析目标和数据属性。
参考文献
格林，W. H.经济计量分析第六版。新泽西州恩格伍德悬崖：普伦蒂斯大厅，2008年。
另见
相关的话题
你也可以从以下列表中选择一个网站:
