时间序列回归是一种基于响应历史(称为自回归动力学)和相关预测器的动态转移来预测未来响应的统计方法。时间序列回归可以帮助你理解和预测动态系统的行为，从实验或观测数据。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(\(X_t\))来开始时间序列分析，该设计矩阵可以包括按时间(t)排序的预测器的当前和过去的观测值。然后，将普通最小二乘(OLS)应用于多元线性回归(MLR)模型
\ [y_t = X_t \β+ u_t \]
得到设计矩阵的响应(\(y_t\))的线性关系的估计。表示要计算的线性参数估计，(\(u_t\))表示创新项。残差项可以在MLR模型中扩展，以包括异方差或自相关效应。
其他更明确地捕捉动态的模型包括:
- 带有外生预测因子的自回归综合移动平均
- 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。看到计量经济学工具箱™为更多的细节。
