什么时候用回归分析，什么时候用时间序列 时间序列是不是不能用多元线性回归模型分析？
\u4ec0\u4e48\u662f\u65f6\u95f4\u5e8f\u5217\u5206\u6790\u6cd5\u65f6\u95f4\u5e8f\u5217\u662f\u6309\u65f6\u95f4\u987a\u5e8f\u7684\u4e00\u7ec4\u6570\u5b57\u5e8f\u5217\u3002\u65f6\u95f4\u5e8f\u5217\u5206\u6790\u5c31\u662f\u5229\u7528\u8fd9\u7ec4\u6570\u5217\uff0c\u5e94\u7528\u6570\u7406\u7edf\u8ba1\u65b9\u6cd5\u52a0\u4ee5\u5904\u7406\uff0c\u4ee5\u9884\u6d4b\u672a\u6765\u4e8b\u7269\u7684\u53d1\u5c55\u3002\u65f6\u95f4\u5e8f\u5217\u5206\u6790\u662f\u5b9a\u91cf\u9884\u6d4b\u65b9\u6cd5\u4e4b\u4e00\uff0c\u5b83\u7684\u57fa\u672c\u539f\u7406\uff1a\u4e00\u662f\u627f\u8ba4\u4e8b\u7269\u53d1\u5c55\u7684\u5ef6\u7eed\u6027\u3002\u5e94\u7528\u8fc7\u53bb\u6570\u636e\uff0c\u5c31\u80fd\u63a8\u6d4b\u4e8b\u7269\u7684\u53d1\u5c55\u8d8b\u52bf\u3002\u4e8c\u662f\u8003\u8651\u5230\u4e8b\u7269\u53d1\u5c55\u7684\u968f\u673a\u6027\u3002\u4efb\u4f55\u4e8b\u7269\u53d1\u5c55\u90fd\u53ef\u80fd\u53d7\u5076\u7136\u56e0\u7d20\u5f71\u54cd\uff0c\u4e3a\u6b64\u8981\u5229\u7528\u7edf\u8ba1\u5206\u6790\u4e2d\u52a0\u6743\u5e73\u5747\u6cd5\u5bf9\u5386\u53f2\u6570\u636e\u8fdb\u884c\u5904\u7406\u3002\u8be5\u65b9\u6cd5\u65b9\u6cd5\u7b80\u5355\u6613\u884c\uff0c\u4fbf\u4e8e\u638c\u63e1\uff0c\u4f46\u51c6\u786e\u6027\u5dee\uff0c\u4e00\u822c\u53ea\u9002\u7528\u4e8e\u77ed\u671f\u9884\u6d4b\u3002
\u53ef\u4ee5\uff0c\u5efa\u7acb\u591a\u5143\u7ebf\u6027\u56de\u5f52\u6a21\u578b\u65f6\uff0c\u4e3a\u4e86\u4fdd\u8bc1\u56de\u5f52\u6a21\u578b\u5177\u6709\u4f18\u826f\u7684\u89e3\u91ca\u80fd\u529b\u548c\u9884\u6d4b\u6548\u679c\uff0c\u5e94\u9996\u5148\u6ce8\u610f\u81ea\u53d8\u91cf\u7684\u9009\u62e9\uff0c\u5176\u51c6\u5219\u662f\uff1a
\u81ea\u53d8\u91cf\u5bf9\u56e0\u53d8\u91cf\u5fc5\u987b\u6709\u663e\u8457\u7684\u5f71\u54cd\uff0c\u5e76\u5448\u5bc6\u5207\u7684\u7ebf\u6027\u76f8\u5173\uff1b\u81ea\u53d8\u91cf\u4e0e\u56e0\u53d8\u91cf\u4e4b\u95f4\u7684\u7ebf\u6027\u76f8\u5173\u5fc5\u987b\u662f\u771f\u5b9e\u7684\uff0c\u800c\u4e0d\u662f\u5f62\u5f0f\u4e0a\u7684\uff1b
\u81ea\u53d8\u91cf\u4e4b\u95f4\u5e94\u5177\u6709\u4e00\u5b9a\u7684\u4e92\u65a5\u6027\uff0c\u5373\u81ea\u53d8\u91cf\u4e4b\u95f4\u7684\u76f8\u5173\u7a0b\u5ea6\u4e0d\u5e94\u9ad8\u4e8e\u81ea\u53d8\u91cf\u4e0e\u56e0\u53d8\u91cf\u4e4b\u56e0\u7684\u76f8\u5173\u7a0b\u5ea6\uff1b\u81ea\u53d8\u91cf\u5e94\u5177\u6709\u5b8c\u6574\u7684\u7edf\u8ba1\u6570\u636e\uff0c\u5176\u9884\u6d4b\u503c\u5bb9\u6613\u786e\u5b9a\u3002
\u6269\u5c55\u8d44\u6599\uff1a\u8ba1\u7b97\u6a21\u578b
\u4e00\u5143\u7ebf\u6027\u56de\u5f52\u4e00\u4e2a\u4e3b\u8981\u5f71\u54cd\u56e0\u7d20\u4f5c\u4e3a\u81ea\u53d8\u91cf\u6765\u89e3\u91ca\u56e0\u53d8\u91cf\u7684\u53d8\u5316\uff0c\u5728\u73b0\u5b9e\u95ee\u9898\u7814\u7a76\u4e2d\uff0c\u56e0\u53d8\u91cf\u7684\u53d8\u5316\u5f80\u5f80\u53d7\u51e0\u4e2a\u91cd\u8981\u56e0\u7d20\u7684\u5f71\u54cd\uff1b
\u6b64\u65f6\u5c31\u9700\u8981\u7528\u4e24\u4e2a\u6216\u4e24\u4e2a\u4ee5\u4e0a\u7684\u5f71\u54cd\u56e0\u7d20\u4f5c\u4e3a\u81ea\u53d8\u91cf\u6765\u89e3\u91ca\u56e0\u53d8\u91cf\u7684\u53d8\u5316\uff0c\u8fd9\u5c31\u662f\u591a\u5143\u56de\u5f52\u4ea6\u79f0\u591a\u91cd\u56de\u5f52\u3002
\u5f53\u591a\u4e2a\u81ea\u53d8\u91cf\u4e0e\u56e0\u53d8\u91cf\u4e4b\u95f4\u662f\u7ebf\u6027\u5173\u7cfb\u65f6\uff0c\u6240\u8fdb\u884c\u7684\u56de\u5f52\u5206\u6790\u5c31\u662f\u591a\u5143\u6027\u56de\u5f52\uff0c\u8bbey\u4e3a\u56e0\u53d8\u91cfX1,X2\u2026Xk\u4e3a\u81ea\u53d8\u91cf\uff0c\u5e76\u4e14\u81ea\u53d8\u91cf\u4e0e\u56e0\u53d8\u91cf\u4e4b\u95f4\u4e3a\u7ebf\u6027\u5173\u7cfb\u3002
本文会先说明两者对数据的具体假设差异，再说明AR模型为什么虽然看上去像回归分析但还是有差别，最后也提到一个常见的混淆两者后在金融方向可能出现的问题。
回归分析对数据的假设：独立性在回归分析中，我们假设数据是相互独立的。这种独立性体现在两个方面：一方面，自变量(X)是固定的，已被观测到的值，另一方面，每个因变量(y)的误差项是独立同分布，对于线性回归模型来说，误差项是独立同分布的正态分布，并且满足均值为0，方差恒定。
这种数据的独立性的具体表现就是：在回归分析中，数据顺序可以任意交换。在建模的时候，你可以随机选取数据循序进行模型训练，也可以随机选取一部分数据进行训练集和验证集的拆分。也正因为如此，在验证集中，每个预测值的误差都是相对恒定的：不会存在误差的积累，导致预测准确度越来越低。
时间序列对数据的假设：相关性但对于时间序列分析而言，我们必须假设而且利用数据的相关性。核心的原因是我们没有其他任何的外部数据，只能利用现有的数据走向来预测未来。因此，我们需要假设每个数据点之间有相关性，并且通过建模找到对应的相关性，利用它去预测未来的数据走向。这也是为什么经典的时间序列分析(ARIMA)会用ACF（自相关系数）和PACF（偏自相关系数）来观察数据之间的相关性。
ACF和PACF分别用两种方式衡量数据点与数据点之间的相关性时间序列对相关性的假设直接违背了回归分析的独立性假设。在多段时间序列预测中，一方面，对于未来预测的自变量可能无法真实的观察到，另一方面，随着预测越来越远，误差会逐渐积累：你对于长远未来的预测应该会比近期预测更不确定。因此，时间序列分析需要采用一种完全不同的视角，用不同的模型去进行分析研究。
AR模型和线性回归模型的“相似”和区别时间序列分析中一个基础模型就是AR(Auto-Regressive)模型。它利用过去的数据点来预测未来。举例而言，AR(1)模型利用当前时刻的数据点预测未来的值，它们的数学关系可以被表示为：
它的表达形式的确和线性回归模型非常类似，甚至连一般的AR(n)模型都和线性回归有很高的相似性。唯一的差别就是等式右边的自变量(X)变成了过去的因变量(y)
而正是因为这一点微小的差异，导致两者的解完全不同。在AR模型中，由于模型自变量成为了过去的因变量，使得自变量与过去的误差之间有相关性。而这种相关性使得
利用线性模型得到的AR模型的解会是有偏估计(biased)。对于上述结论的实际证明需要引入过多的概念。在此我们只对AR(1)模型作为一个特例来分析。不失一般性，我们可以通过平移数据将AR(1)模型表示成如下的形式：
对于这类模型，线性回归会给出以下的估计值：对于一般的线性回归模型而言，由于所有的自变量都会被视为已经观测到的真实值。所以当我们取均值的时候，我们可以把分母当作已知，通过过去观测值和未来误差无关的性质得到无偏的结论。
利用回归模型预测AR模型的数据模拟结果：参数估计会是有偏估计事实上，我们会用线性回归模型去近似求解AR模型。因为虽然结果会是有偏的，但是却是一致估计。也就是说，当数据量足够大的时候，求解的值会收敛于真实值。这里就不再做展开了。
忽视独立性的后果：金融方向的常见错误希望看到这里你已经弄懂了为什么不能混淆模型的假设：尤其是独立性或相关性的假设。接下来我会说一个我见过的
因为混淆假设导致的金融方向的错误随着机器学习的发展，很多人希望能够将机器学习和金融市场结合起来。利用数据建模来对股票价格进行预测。他们会用传统的机器学习方法将得到的数据随机的分配成训练集和测试集。利用训练集训练模型去预测股票涨跌的概率（涨或跌的二维分类问题）。然后当他们去将模型应用到测试集时，他们发现模型的表现非常优秀——能够达到80～90%的准确度。但是在实际应用中却没有这么好的表现。
造成这个错误的原因就是他们没有认识到数据是高度相关的。对于时间序列，我们不能通过随机分配去安排训练集和测试集，否则就会出现“利用未来数据”来预测“过去走向”的问题。这个时候，即使你的模型在你的测试集表现出色，也不代表他真的能预测未来股价的走向。
总结时间序列和回归分析的主要区别在于对数据的假设：回归分析假设每个数据点都是独立的，而时间序列则是利用数据之间的相关性进行预测。虽然线性回归和AR模型看上去有很大的相似性。但由于缺失了独立性，利用线性回归求解的AR模型参数会是有偏的。但又由于这个解是一致的，所以在实际运用中还是利用线性回归来近似AR模型。忽视或假设数据的独立性很可能会造成模型的失效。金融市场的预测的建模尤其需要注意这一点。
方法不同。回归分析是研究变量之间的统计相关关系的一种统计方法。它从自变量和因变量的一组观测数据出发，寻找一个函数式，将变量之间的统计相关关系近似地表达出来。这个能够近似表达自变量与因变量之间关系的函数式。而时间序列更加偏向去有明显的以时间为分割点，某个变量随着时间的推移产生变化。近似于自变量与时间之间的关系。
时间序列是自己对自己回归，而回归分析是量与量之间的回归。
可以说得详细点吗？？不同的题目选择不同。两种方法各有优劣。根据情况选择
绛旓細3. 棰勬祴瀛︾敓鎴愮哗锛氬洖褰掑垎鏋愬彲浠ョ敤浜庨娴嬪鐢熺殑鑰冭瘯鎴愮哗锛岄氳繃鑰冭檻瀛︾敓鐨勫涔犳椂闂淬佸搴儗鏅佸墠鏈熸垚缁╃瓑鍥犵礌锛屽苟閫氳繃鍖洪棿浼拌鏉ョ‘瀹氶娴嬫垚缁╃殑缃俊鍖洪棿銆4. 浼拌骞冲潎宸ヨ祫锛氬洖褰掑垎鏋愬彲浠ョ敤浜庝及璁℃煇涓亴涓氭垨琛屼笟鐨勫钩鍧囧伐璧勶紝閫氳繃鑰冭檻涓嶅悓鍥犵礌锛堝宸ヤ綔缁忛獙銆佸鍘嗐佸湴鐞嗕綅缃瓑锛夛紝骞堕氳繃鍖洪棿浼拌鏉ョ‘瀹氬钩鍧囧伐璧勭殑缃...
绛旓細鍦ㄧ粺璁″涓锛屽洖褰掑垎鏋锛坮egression analysis)鎸囩殑鏄‘瀹氫袱绉嶆垨涓ょ浠ヤ笂鍙橀噺闂寸浉浜掍緷璧栫殑瀹氶噺鍏崇郴鐨勪竴绉嶇粺璁″垎鏋愭柟娉曘傚洖褰掑垎鏋愭寜鐓ф秹鍙婄殑鍙橀噺鐨勫灏戯紝鍒嗕负涓鍏冨洖褰掑拰澶氬厓鍥炲綊鍒嗘瀽锛涙寜鐓у洜鍙橀噺鐨勫灏戯紝鍙垎涓虹畝鍗曞洖褰掑垎鏋愬拰澶氶噸鍥炲綊鍒嗘瀽锛涙寜鐓ц嚜鍙橀噺鍜屽洜鍙橀噺涔嬮棿鐨勫叧绯荤被鍨嬶紝鍙垎涓虹嚎鎬у洖褰掑垎鏋愬拰闈炵嚎鎬у洖褰掑垎鏋愩
绛旓細鍥炲綊鍒嗘瀽鏄竴绉嶇粺璁℃柟娉曪紝鐢ㄤ簬鐮旂┒鍙橀噺涔嬮棿鐨勪緷璧栧叧绯汇傚叾搴旂敤闈炲父骞挎硾锛屽彲浠ョ敤浜庣洿绾挎嫙鍚堬紝涔熷彲浠ョ敤浜庢洸绾挎嫙鍚堛傚湪瀹為檯搴旂敤涓锛屽洖褰掑垎鏋鍙互甯姪鎴戜滑鐞嗚В鍜岄娴嬬幇璞°傞棶棰樺叚锛氱浉鍏冲垎鏋愬拰鍥炲綊鍒嗘瀽搴旀敞鎰忕殑闂 鍦浣跨敤鐩稿叧鍒嗘瀽鍜屽洖褰掑垎鏋愭椂锛岄渶瑕佹敞鎰忎互涓嬮棶棰橈細棣栧厛锛屼綔鍥炲綊鍒嗘瀽瑕佹湁瀹為檯鎰忎箟锛屼笉鑳介殢鎰忚繘琛屽洖褰掑垎鏋...
绛旓細闂浜:浠涔鏄鍥炲綊鍒嗘瀽,杩愮敤鍥炲綊鍒嗘瀽鏈変粈涔堜綔鐢 鍥炲綊鍒嗘瀽,涔熸湁绉版洸绾挎嫙鍚.褰撳湪瀹為獙涓幏寰楄嚜鍙橀噺涓庡洜鍙橀噺鐨勪竴绯诲垪瀵瑰簲鏁版嵁,(x1,y1),(x2,y2),(x3,y3),(xn,yn)鏃,瑕佹壘鍑轰竴涓凡鐭ョ被鍨嬬殑鍑芥暟,y=f(x) ,涓庝箣鎷熷悎,浣垮緱瀹為檯鏁版嵁鍜岀悊璁烘洸绾跨殑绂诲樊骞虫柟鍜:鈭慬yi-f(xi)]^2(浠巌=1鍒癷=n鐩稿姞)涓烘渶灏.杩欑姹俧...
绛旓細閫犳垚杩欎釜閿欒鐨勫師鍥犲氨鏄粬浠病鏈夎璇嗗埌鏁版嵁鏄珮搴︾浉鍏崇殑銆傚浜鏃堕棿搴忓垪锛屾垜浠笉鑳介氳繃闅忔満鍒嗛厤鍘诲畨鎺掕缁冮泦鍜屾祴璇曢泦锛屽惁鍒欏氨浼氬嚭鐜扳鍒╃敤鏈潵鏁版嵁鈥濇潵棰勬祴鈥滆繃鍘昏蛋鍚戔濈殑闂銆傝繖涓鏃跺锛屽嵆浣夸綘鐨勬ā鍨嬪湪浣犵殑娴嬭瘯闆嗚〃鐜板嚭鑹诧紝涔熶笉浠ｈ〃浠栫湡鐨勮兘棰勬祴鏈潵鑲′环鐨勮蛋鍚戙傛荤粨鏃堕棿搴忓垪鍜鍥炲綊鍒嗘瀽鐨勪富瑕佸尯鍒湪浜庡鏁版嵁...
绛旓細1銆佲鍥炲綊鍒嗘瀽鈥濇槸鎸囧垎鏋愬洜鍙橀噺鍜岃嚜鍙橀噺涔嬮棿鍏崇郴锛屽洖褰掑垎鏋愮殑鍩烘湰鎬濇兂鏄: 铏界劧鑷彉閲忓拰鍥犲彉閲忎箣闂存病鏈変弗鏍肩殑銆佺‘瀹氭х殑鍑芥暟鍏崇郴锛屼絾鍙互璁炬硶鎵惧嚭鏈鑳戒唬琛ㄥ畠浠箣闂村叧绯荤殑鏁板琛ㄨ揪褰㈠紡銆2銆佸洖褰掑垎鏋愭湁寰堝箍娉涚殑搴旂敤锛屼緥濡傚疄楠屾暟鎹殑涓鑸鐞嗭紝缁忛獙鍏紡鐨勬眰寰楋紝鍥犵礌鍒嗘瀽锛浜у搧璐ㄩ噺鐨勬帶鍒讹紝姘旇薄鍙婂湴闇囬鎶ワ紝鑷姩...
绛旓細閫愭鍥炲綊鍒嗘瀽娉曟槸灏嗗彉閲忛愪釜寮曞叆妯″瀷锛屾瘡寮曞叆涓涓В閲婂彉閲忓悗閮借杩涜妫楠岋紝骞跺宸茬粡閫夊叆鐨勮В閲婂彉閲忛愪釜杩涜妫楠岋紝褰撳師鏉ュ紩鍏ョ殑瑙ｉ噴鍙橀噺鐢变簬鍚庨潰瑙ｉ噴鍙橀噺鐨勫紩鍏ュ彉寰椾笉鍐嶆樉钁楁椂锛屽垯灏嗗叾鍒犻櫎銆備互纭繚姣忔寮曞叆鏂扮殑鍙橀噺涔嬪墠鍥炲綊鏂圭▼涓彧鍖呭惈鏄捐憲鎬у彉閲忕殑鏂规硶銆傞愭鍥炲綊鍒嗘瀽鏄鍏冨洖褰掑垎鏋愪腑鐨勪竴绉嶆柟娉曘傚洖褰掑垎鏋愭槸...
绛旓細鏃犲簭澶氬垎绫籰ogistic鍥炲綊鏈鏃跺涔熸垚涓哄椤筶ogit妯″瀷,鏈夊簭logistic鍥炲綊鏈夋椂涔熺О涓虹疮绉瘮鏁發ogit妯″瀷銆 3銆乧ox鍥炲綊,cox鍥炲綊鐨勫洜鍙橀噺灏辨湁浜涚壒娈,鍥犱负浠栫殑鍥犲彉閲忓繀椤诲悓鏃舵湁2涓,涓涓唬琛ㄧ姸鎬,蹇呴』鏄垎绫诲彉閲,涓涓唬琛鏃堕棿,搴旇鏄繛缁彉閲忋傚彧鏈夊悓鏃跺叿鏈夎繖涓や釜鍙橀噺,鎵嶈兘鐢╟ox鍥炲綊鍒嗘瀽銆俢ox鍥炲綊涓昏鐢ㄤ簬鐢熷瓨璧勬枡鐨鍒嗘瀽,鐢熷瓨...
绛旓細鐩稿叧鍒嗘瀽娌℃硶纭畾鍙橀噺闂寸殑鍏宠仈绌剁珶鏄摢涓绉嶃傝岃繖灏辨槸鎴戜滑闇瑕浣跨敤鍥炲綊鍒嗘瀽瑙ｅ喅鐨勯棶棰橈紝鎴戜滑閫氳繃鍥炲綊鍒嗘瀽瀵硅嚜鍙橀噺涓庡洜鍙橀噺杩涜鍋囪锛岀劧鍚庡彲浠ラ獙璇佸彉閲忛棿鐨勫叿浣撲綔鐢ㄥ叧绯伙紝杩欐椂鐨勫彉閲忓叧绯诲氨鏄湁鍏蜂綋鏂瑰悜鎬х殑浜嗐傛墍浠ョ浉鍏冲垎鏋愰氬父涔熶細琚綔涓轰竴绉嶆弿杩版х殑鍒嗘瀽锛鑰屽洖褰掑垎鏋愬緱鍒扮殑缁撴灉鏇翠负閲嶈鍜岀簿纭
绛旓細1銆佸畠琛ㄦ槑鑷彉閲忓拰鍥犲彉閲忎箣闂寸殑鏄捐憲鍏崇郴锛2銆佸畠琛ㄦ槑澶氫釜鑷彉閲忓涓涓洜鍙橀噺鐨勫奖鍝嶅己搴︺鍥炲綊鍒嗘瀽涔熷厑璁稿幓姣旇緝閭ｄ簺琛￠噺涓嶅悓灏哄害鐨勫彉閲忎箣闂寸殑鐩镐簰褰卞搷锛屽浠锋牸鍙樺姩涓庝績閿娲诲姩鏁伴噺涔嬮棿鑱旂郴銆傝繖浜涙湁鍒╀簬甯姪甯傚満鐮旂┒浜哄憳锛屾暟鎹垎鏋愪汉鍛樹互鍙婃暟鎹瀛﹀鎺掗櫎骞朵及璁″嚭涓缁勬渶浣崇殑鍙橀噺锛岀敤鏉ユ瀯寤洪娴嬫ā鍨嬨備簩銆佺己鐐 鍥炲綊...
