时间序列回归是一种基于响应历史(称为自回归动力学)预测未来响应的统计方法时间序列回归可以帮助您从实验或观测数据中理解和预测动态系统的行为。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(\(X\u t\)开始时间序列分析,该矩阵可以包括按时间(t)排序的预测值的当前和过去观测值。然后,将普通最小二乘法(OLS)应用于多元线性回归(MLR)模型
\[y\u t=X\u t\beta+u\u t\]
获得响应(\(y\u t\)与设计矩阵的线性关系的估计值\(\beta\)表示要计算的线性参数估计值,(\(u\u t\)表示创新项。剩余项可以在MLR模型中扩展,以包括异方差或自相关效应。
更明确地捕捉动态的其他模型包括:
- 带外生预测因子的自回归综合移动平均(ARIMAX)
- 具有ARIMA时间序列误差的回归模型
- 分布滞后模型
模型的选择取决于您的分析目标和数据的属性。看见计量经济学工具箱™更多细节。