„Autoregresiv” este un termen statistic folosit atunci când se lucrează cu date de serie cronologică care se referă la o cantitate variabilă sau o valoare de interes care este corelată cu, sau depinde de, valorile anterioare ale aceleiași variabile. Termenul înrudit „autoregresiune” este o formă de analiză de regresie care utilizează datele seriei cronologice ca intrare pentru a afla dacă o variabilă de interes este într-adevăr autoregresivă, adică dependentă de valorile anterioare ale acesteia. O variabilă de interes care se dovedește a fi autoregresivă sugerează, dar nu demonstrează în sine, că există o relație cauză-efect între valorile actuale și trecute. Prin urmare, serii temporale de cantități sau valori autoregresive cunoscute sau suspectate sunt adesea analizate folosind metode analitice predictive pentru a prognoza valorile viitoare ale unor astfel de variabile.
Variabilele de interes care prezintă un grad semnificativ de autoregresie apar într-o varietate de locuri ca rezultat al proceselor umane și naturale. Prețurile bursiere, cursurile de schimb valutar, semnalele digitale și numărul de indivizi dintr-o populație, de exemplu, sunt toate considerate a fi autoregresive, cel puțin într-o anumită măsură. Mai mult decât atât, există o varietate de forme de analiză autoregresivă, fiecare fiind considerată mai potrivită sau mai proastă și, prin urmare, aplicată la anumite tipuri de seturi de date autoregresive. Printre astfel de aplicații, autoregresia este utilizată în îngrijirea sănătății pentru a îmbunătăți rezoluția și interpretarea testelor de diagnostic cu ultrasunete; în telecomunicații pentru îmbunătățirea transmisiei, recepției și procesării semnalelor digitale; în economie pentru a prognoza performanța macroeconomică și a afacerilor; și în serviciile financiare pentru a calcula scorurile personale de credit, a detecta frauda și a calcula profilurile de risc și primele de asigurare.
Modelele cu medii mobile autoregresive (ARMA) combină modelele cu medii mobile autoregresive – medii ale căror elemente constitutive se modifică pe măsură ce trece timpul. Cunoscute și sub denumirea de modele Box-Jenkins – numite după George Box și Gwilym Jenkins, statisticienii care și-au îmbunătățit formulările originale și le-au popularizat utilizarea – ele sunt de obicei folosite pentru a modela și testa serii de timp care sunt o funcție a șocurilor exogene sau externe. și propria lor performanță trecută. Modelele ARMA se potrivesc cu observațiile reale în timp ale unor variabile sau variabile autoregresive cunoscute sau suspectate, pentru a înțelege mai bine procesele care le generează. Spre deosebire de modelele strict autoregresive, ele sunt considerate un mijloc de stabilire a cauzalității – existența unei relații cauză-efect între variabila sau variabilele independente și dependente. Prin urmare, ele sunt utilizate în mod obișnuit în prognoza seriilor temporale și în alte forme de analiză predictivă.