时间序列回归

时间序列回归是一种统计方法，用于基于响应历史（称为自回归动态）和从相关预测器的动态传递的转移来预测未来响应的统计方法。时间序列回归可以帮助您了解并预测动态系统从实验或观察数据的行为。时间序列回归通常用于经济，金融和生物系统的建模和预测。

您可以通过构建设计矩阵（\（x_t \））开始时间序列分析，该设计矩阵可以包括所订购的预测器的当前和过去观察（t）。然后，将普通的最小二乘（OLS）应用于多个线性回归（MLR）模型

\ [y_t = x_t \ beta + u_t \]

为了估计响应的线性关系（\（y_t \））到设计矩阵。\（\ beta \）表示要计算的线性参数估计值（\（u_t \））表示创新术语。可以在MLR模型中延伸残余术语以包括异源性或自相关效果。

更明确地捕获动态的其他模型包括：

• 自回归综合移动平均水平与外源预测器（ARIMAX）
• 带Arima时间序列错误的回归模型
• 分布式滞后模型

模型的选择取决于您的分析和数据属性的目标。看OuthoMetrics Toolbox™更多细节。