Uogólnione modele liniowe a modele osi czasu do prognozowania

Jakie są różnice w stosowaniu uogólnionych modeli liniowych, takich jak automatyczne określanie trafności (ARD) i regresja grzbietu, w porównaniu do modeli szeregów czasowych, takich jak Box-Jenkins (ARIMA) lub wygładzanie wykładnicze do prognozowania? Czy istnieją jakieś praktyczne zasady dotyczące tego, kiedy używać GLM, a kiedy Szeregi czasowe?

Nie jestem ekspertem, ale na to pytanie nie było odpowiedzi przez jakiś czas, więc spróbuję odpowiedzieć: Mogę wymyślić 3 różnice między modelami GLM i seriami Time a là Box i Jenkins:

1) GLM mają raczej modelować zmienną Y jako funkcję jakiejś innej zmiennej X (Y = f (X)). W modelach szeregów czasowych (głównie?) Modelujesz zmienną Y jako funkcję samą w sobie, ale z poprzednich kroków czasowych (Y (t) = f (Y (t-1), Y (t-2), ...) );

2) Powiązane z poprzednim punktem: GLM nie rozważają per se autokorelacji współzmiennej wejściowej, podczas gdy modele szeregów czasowych, takie jak ARIMA, mają charakter autokorelacyjny;

3) Myślę, że modele autoregresyjne opierają się na założeniu, że reszty są normalne ze średnią zerową, podczas gdy GLM akceptują bardziej złożoną strukturę danych zmiennej odpowiedzi, prawdopodobnie mającą rozkład nienormalny (Gamma, Poisson itp.).

Czy są jakieś zasady, kiedy należy używać GLM, a kiedy szereg czasowy? Chyba że w swoim modelu czasowym bierzesz pod uwagę efekt losowy, myślę, że GLM są po prostu złym podejściem do szeregów czasowych modelu.