时间序列预测在R中的应用 （Part2 时间序列回归模型）

本文是时间序列预测在R中的应用的第一部分，涉及到目录中3 时间序列回归模型的内容。1 Introduction和2 预测的工具集部分请看：时间序列预测在R中的应用 （Part1 简介和预测工具集）_yuluuy的博客-CSDN博客

目录

1 Introduction

2 预测的工具集

3 时间序列回归模型

4 时间序列分解

5 指数平滑

6 ARIMA模型

---

3 时间序列回归模型

我们预测时间序列 y时假设它与其它时间序列 x之间存在线性关系。也就是两个时间序列的线性关系。被预测变量 y有时还称作回归变量、因变量或被解释变量。预测变量 x 有时也叫作回归量、自变量或解释变量。在本书中我们称它们为“被预测变量”和“预测变量”。

例如，我们可以通过广告总花费 x来预测月度销量 y；同样的，我们可以通过气温数据 x1 和星期数据 x2来预测日耗电量 y。

1）线性模型

①一元线性回归

最简单的线性回归模型假设被预测变量 yy 和单个预测变量 xx 之间存在如下线性关系：

距项 β0表示当 x=0时 y的预测值；斜率 β1 表示当 x增加一个单位时，y的平均变化。每个观测值 yt都包含可解释部分 β0+β1xt和随机误差项 εt。随机误差项并不意味着错误，而是指观测值与线性模型的偏差。它捕捉到了除 xt外其他影响 yt的信息。

②多元线性回归

当预测变量有两个甚至更多时，模型被称为多元线性回归模型。多元线性回归模型的一般形式如下：