แบบจำลองเชิงเส้นทั่วไปเทียบกับแบบจำลอง Timseries สำหรับการพยากรณ์

อะไรคือความแตกต่างในการใช้แบบจำลองเชิงเส้นทั่วไปเช่นการกำหนดความเกี่ยวข้องอัตโนมัติ (ARD) และการถดถอยแบบริดจ์กับแบบจำลองอนุกรมเวลาเช่น Box-Jenkins (ARIMA) หรือการทำให้เรียบแบบเอกซ์โพเนนเชียลสำหรับการคาดการณ์ มีกฎของหัวแม่มือในการใช้ GLM และเมื่อใช้ Time Series หรือไม่

ไม่ใช่ผู้เชี่ยวชาญ แต่คำถามนี้ยังไม่ได้รับคำตอบซักพักผมจะลองตอบคำถาม: ฉันสามารถนึกถึง 3 ความแตกต่างระหว่าง GLMs และ Time series นางแบบlà Box และ Jenkins:

1) GLM นั้นค่อนข้างจะเป็นแบบจำลองของตัวแปร Y ซึ่งเป็นฟังก์ชันของตัวแปรอื่น ๆ X (Y = f (X)) ในโมเดลอนุกรมเวลาคุณเป็น (ส่วนใหญ่?) การสร้างแบบจำลองตัวแปร Y เป็นหน้าที่ของตัวเอง แต่จากขั้นตอนเวลาก่อนหน้า (Y (t) = f (Y (t-1), Y (t-2), ... ) );

2) เกี่ยวข้องกับประเด็นก่อนหน้านี้: GLMs ไม่ได้พิจารณาความสัมพันธ์แบบอัตโนมัติของอินพุต covariate ในขณะที่รุ่นอนุกรมเวลาเช่น ARIMA มีความสัมพันธ์โดยอัตโนมัติในธรรมชาติ

3) ฉันคิดว่าแบบจำลองการถดถอยอัตโนมัติตั้งอยู่บนสมมุติฐานว่าส่วนที่เหลือเป็นเรื่องปกติโดยมีค่าเฉลี่ยเป็นศูนย์ในขณะที่ GLMs ยอมรับโครงสร้างข้อมูลที่ซับซ้อนมากขึ้นของตัวแปรตอบกลับซึ่งอาจมีการแจกแจงแบบไม่ปกติ

มีกฎใดบ้างที่จะใช้ GLM และเวลาที่จะใช้ Time Series? ยกเว้นว่าคุณกำลังพิจารณาเวลาในแบบจำลองของคุณเป็นเอฟเฟกต์แบบสุ่มฉันคิดว่า GLM เป็นเพียงแนวทางที่ไม่ถูกต้องในซีรีย์เวลาของแบบจำลอง