Mô hình tuyến tính tổng quát so với mô hình Timseries để dự báo

Sự khác biệt trong việc sử dụng Mô hình tuyến tính tổng quát, chẳng hạn như Xác định mức độ liên quan tự động (ARD) và hồi quy độ dốc, so với các mô hình chuỗi thời gian như Box-Jenkins (ARIMA) hoặc làm mịn theo cấp số nhân để dự báo? Có quy tắc nào về thời điểm sử dụng GLM và khi nào nên sử dụng Chuỗi thời gian không?

Không thực sự là một chuyên gia nhưng câu hỏi này đã không được trả lời trong một thời gian, vì vậy tôi sẽ thử một câu trả lời: Tôi có thể nghĩ về 3 sự khác biệt giữa các mô hình loạt GLM và Time là a Box và Jenkins:

1) GLM thay vì mô hình biến Y là hàm của một số biến X khác (Y = f (X)). Trong các mô hình chuỗi thời gian, bạn (hầu hết?) Mô hình biến Y là hàm của chính nó, nhưng từ các bước thời gian trước đó (Y (t) = f (Y (t-1), Y (t-2), ...) );

2) Liên quan đến điểm trước: GLM không xem xét tự động tương quan của hiệp phương trình đầu vào, trong khi các mô hình chuỗi thời gian như ARIMA có bản chất tự động tương quan;

3) Tôi nghĩ rằng các mô hình hồi quy tự động dựa trên giả định rằng phần dư là bình thường với giá trị trung bình bằng 0, trong khi GLM chấp nhận cấu trúc dữ liệu phức tạp hơn của biến phản hồi, có thể có phân phối không bình thường (Gamma, Poisson, v.v.).

Có quy tắc nào khi sử dụng GLM và khi nào nên sử dụng Chuỗi thời gian không? Trừ khi bạn đang xem xét trong thời gian mô hình của mình là một hiệu ứng ngẫu nhiên, tôi nghĩ GLM đơn giản là cách tiếp cận sai đối với chuỗi thời gian mô hình.