การทำนายใช้การประมาณfเพื่อคาดการณ์ในอนาคต สมมติว่าคุณสังเกตตัวแปรอาจเป็นรายได้ของร้านค้า คุณต้องการจัดทำแผนทางการเงินสำหรับธุรกิจของคุณและจำเป็นต้องคาดการณ์รายได้ในไตรมาสหน้า คุณสงสัยว่ารายได้จะขึ้นอยู่กับรายได้ของประชากรในไตรมาสนี้และเวลาของปีt} ดังนั้นคุณวางตัวว่ามันเป็นฟังก์ชั่น:
ytx1,tx2,t
yt=f(x1,t−1,x2,t−1)+εt
ทีนี้ถ้าคุณได้รับข้อมูลเกี่ยวกับรายได้บอกชุดรายได้ส่วนบุคคลทิ้งจาก BEA และสร้างช่วงเวลาของตัวแปรปีคุณอาจประเมินฟังก์ชันfแล้วเสียบค่าล่าสุดของรายได้ประชากรและเวลาของปีลงในนี้ ฟังก์ชัน สิ่งนี้จะทำให้การคาดการณ์สำหรับไตรมาสถัดไปของรายได้ของร้านค้า
การอนุมานใช้ฟังก์ชันที่ประมาณไว้fเพื่อศึกษาผลกระทบของปัจจัยที่มีต่อผลลัพธ์และทำสิ่งอื่น ๆ ในลักษณะนี้ ในตัวอย่างก่อนหน้าของฉันคุณอาจสนใจว่าฤดูกาลของปีเป็นตัวกำหนดรายได้ของร้านค้า ดังนั้นคุณสามารถดูอนุพันธ์บางส่วน - ความไวต่อฤดูกาล หากฉในความเป็นจริงรูปแบบเชิงเส้นแล้วมันจะเป็นค่าสัมประสิทธิ์การถดถอยของตัวแปรที่สองt-1} β 2 x 2 , t - 1∂f/∂x2tβ2x2,t−1
การคาดคะเนและการอนุมานอาจใช้ขั้นตอนการประมาณค่าเดียวกันเพื่อพิจารณาfแต่มีข้อกำหนดที่แตกต่างกันสำหรับขั้นตอนนี้และข้อมูลขาเข้า กรณีที่เป็นที่รู้จักกันดีเรียกว่าcollinearityในขณะที่ตัวแปรอินพุตของคุณมีความสัมพันธ์กันอย่างมาก ตัวอย่างเช่นคุณวัดน้ำหนักส่วนสูงและรอบท้องของคนอ้วน เป็นไปได้ว่าตัวแปรเหล่านี้มีความสัมพันธ์กันอย่างมาก แต่ไม่จำเป็นต้องเป็นเชิงเส้น มันเกิดขึ้นเพื่อให้collinearityอาจจะเป็นปัญหาร้ายแรงสำหรับการอนุมานแต่เพียงความรำคาญในการทำนาย เหตุผลก็คือเมื่อทำนายxมีความสัมพันธ์กันยากที่จะแยกผลกระทบของตัวทำนายจากผลกระทบของตัวทำนายอื่น ๆ สำหรับการคาดการณ์สิ่งนี้ไม่สำคัญสิ่งที่คุณใส่ใจคือคุณภาพของการพยากรณ์