Tahminleme için Genelleştirilmiş Doğrusal Modeller ve Timseries modelleri

Otomatik Alaka Tespiti (ARD) ve Ridge regresyon gibi Genelleştirilmiş Doğrusal Modellerin kullanılmasında, Box-Jenkins (ARIMA) gibi Zaman serisi modellerine veya öngörme için Üstel yumuşatma gibi farklar nelerdir? GLM'nin ne zaman ve ne zaman Time Serisinin kullanılacağına dair genel kurallar var mı?

Gerçekten bir uzman değil, bu soru bir süredir cevaplanmadı, bu yüzden bir cevap deneyeceğim: GLM'ler ve Time serisi modeller arasında bir là Box ve Jenkins arasındaki 3 farklılığı düşünebilirim:

1) GLM'ler daha çok Y değişkenini başka bir X değişkeninin (Y = f (X)) fonksiyonu olarak modellemektedir. Zaman serisi modellerinde (çoğunlukla?) Y değişkenini kendi işlevi olarak modellersiniz, ancak önceki zaman adımlarından (Y (t) = f (Y (t-1), Y (t-2), ...) );

2) Önceki nokta ile ilgili olarak: ARM gibi zaman serisi modelleri doğada oto-korelatifken GLM'ler giriş eş değişkeninin kendi kendine korelasyonunu dikkate almazlar;

3) Sanırım oto-regresif modeller, artıkların sıfır ortalama ile normal olduğu varsayımına dayanırken, GLM'ler yanıt değişkeninin daha karmaşık veri yapısını kabul ediyor, muhtemelen normal olmayan bir dağılıma sahip (Gamma, Poisson, vb.).

GLM'nin ne zaman ve ne zaman Time Serisinin kullanılacağına dair herhangi bir kural var mı? Model zamanınızda rastgele bir etki olarak düşünmüyorsanız, GLM'lerin model zaman serilerine yanlış bir yaklaşım olduğunu düşünüyorum.