„Autoregresja” to termin statystyczny używany podczas pracy z danymi szeregów czasowych, które odnoszą się do zmiennej ilości lub wartości będącej przedmiotem zainteresowania, która jest skorelowana lub zależna od poprzednich wartości tej samej zmiennej. Powiązany termin „autoregresja” jest formą analizy regresji, która wykorzystuje dane szeregów czasowych jako dane wejściowe w celu ustalenia, czy dana zmienna jest rzeczywiście autoregresją, to znaczy zależy od jej wcześniejszych wartości. Zmienna będąca przedmiotem zainteresowania, która okazuje się być autoregresją sugeruje, ale sama w sobie nie dowodzi, że istnieje związek przyczynowo-skutkowy między wartościami obecnymi i przeszłymi. Stąd szeregi czasowe znanych lub podejrzewanych wielkości lub wartości autoregresyjnych są często analizowane przy użyciu predykcyjnych metod analitycznych w celu prognozowania przyszłych wartości takich zmiennych.
Zmienne będące przedmiotem zainteresowania, które wykazują pewien znaczny stopień autoregresji, pojawiają się w różnych miejscach w wyniku procesów ludzkich i naturalnych. Na przykład ceny giełdowe, kursy walut, sygnały cyfrowe i liczba osób w populacji są uważane za autoregresyjne, przynajmniej do pewnego stopnia. Co więcej, istnieje wiele różnych form analizy autoregresji, z których każda jest uważana za lepiej lub gorzej dopasowaną, a co za tym idzie, ma zastosowanie do poszczególnych typów autoregresyjnych zbiorów danych. Wśród takich zastosowań autoregresja jest wykorzystywana w opiece zdrowotnej w celu poprawy rozdzielczości i interpretacji ultrasonograficznych testów diagnostycznych; w telekomunikacji w celu poprawy transmisji, odbioru i przetwarzania sygnałów cyfrowych; w ekonomii do prognozowania wyników makroekonomicznych i biznesowych; oraz w usługach finansowych do obliczania osobistej oceny kredytowej, wykrywania oszustw oraz obliczania profili ryzyka ubezpieczeniowego i składek.
Modele autoregresyjnej średniej ruchomej (ARMA) łączą modele autoregresji i średniej ruchomej — średnie, których elementy składowe zmieniają się w miarę upływu czasu. Znane również jako modele Box-Jenkinsa — nazwane na cześć George’a Boxa i Gwilyma Jenkinsa, statystyków, którzy ulepszyli swoje oryginalne formuły i spopularyzowali ich użycie — są zwykle używane do modelowania i testowania szeregów czasowych, które są funkcją egzogenicznych lub zewnętrznych wstrząsów i ich własne wyniki w przeszłości. Modele ARMA są „dopasowane” do rzeczywistych obserwacji w czasie niektórych znanych lub podejrzewanych zmiennych autoregresyjnych lub zmiennych będących przedmiotem zainteresowania, aby lepiej zrozumieć procesy, które je generują. W przeciwieństwie do modeli stricte autoregresyjnych, są one uważane za sposób ustalania przyczynowości — istnienia związku przyczynowo-skutkowego między zmienną lub zmiennymi niezależną i zależną. Dlatego są powszechnie stosowane w prognozowaniu szeregów czasowych i innych formach analityki predykcyjnej.