，自回归，其实就是使用回归模型（可以是简单的线性回归也可以是复杂的，nn等）+用滞后项来预测未来，比如我们有一个序列是[1,2,3.我们建立传统的统计学里的时间序列模型时必须要求时间序列是平稳的，这是因为我们用时间序列做预测时，我们的随机变量的基本特性必须能在包括未来阶段的一个长时期里维持不变，否则，基于历史和现状来预测未来的思路便是错误的。个人感觉就是时间序列问题中的“独立同分布”。...

关注我们吧！ 我们在上一节中系统地学习了线性回归模型，线性回归模型解决的是连续型因变量的建模和预测问题。然而在我们的实际生活中，也经常会碰到0-1型因变量的情况。所谓0-1型因变量就是只有两个可能性的离散型因变量，常常（并不是所有情形）可以被规范成一个是否的问题。比如：该邮件是否是垃圾邮件？某互联网广告是否会被点击？信贷业务中用户借贷后是否会按时归还？等等。此时，研究问题的因变量Y是一个0-1型变量。面对0-1型因变量，为什么不能用上一节讲的线性回归模型来拟合呢？回顾最简单的一元线性回归模型， 。如果将该模型用在0-1型因变量上，那么此时等号的左边是一个取值为0或者1的值，但是等号的右边是一个连续型数值（因为 的存在）。所以左边和右边永远不可能完全相等。因此线性回归模型不能直接对0-1型因变量建模。那应该怎么办呢？这就需要用到回归五式的第二式：0-1回归模型。为了更好的介绍0-1回归模型，我们以一个实际案例为例，详细讲解0-1回归模型的各个方面。...