“Autoregresīvs” ir statistikas termins, ko izmanto, strādājot ar laikrindu datiem, kas attiecas uz mainīgu daudzumu vai interesējošo vērtību, kas ir saistīta ar tā paša mainīgā iepriekšējām vērtībām vai ir atkarīga no tām. Saistītais termins “autoregresija” ir regresijas analīzes veids, kurā kā ievades dati tiek izmantoti laikrindu dati, lai noskaidrotu, vai interesējošais mainīgais patiešām ir autoregresīvs, tas ir, atkarīgs no paša iepriekšējām vērtībām. Interesējošais mainīgais, kas izrādās autoregresīvs, liecina, bet pats par sevi nepierāda, ka pastāv cēloņsakarība starp pašreizējo un pagātnes vērtībām. Tādējādi zināmo vai iespējamo autoregresīvo daudzumu vai vērtību laikrindas bieži tiek analizētas, izmantojot prognozēšanas analītiskās metodes, lai prognozētu šādu mainīgo lielumu nākotnes vērtības.
Interesējošie mainīgie, kuriem ir ievērojama autoregresijas pakāpe, parādās dažādās vietās cilvēka un dabas procesu rezultātā. Piemēram, akciju tirgus cenas, ārvalstu valūtas maiņas kursi, digitālie signāli un indivīdu skaits populācijā tiek uzskatīti par autoregresīviem, vismaz zināmā mērā. Turklāt pastāv dažādi autoregresijas analīzes veidi, un katrs no tiem tiek uzskatīts par labāku vai sliktāk piemērotu un tādējādi tiek piemērots noteikta veida autoregresīvām datu kopām. Starp šādiem lietojumiem veselības aprūpē tiek izmantota autoregresija, lai uzlabotu ultraskaņas diagnostikas testu izšķirtspēju un interpretāciju; telekomunikācijās, lai uzlabotu ciparu signālu pārraidi, uztveršanu un apstrādi; ekonomikā, lai prognozētu makroekonomikas un uzņēmējdarbības rezultātus; un finanšu pakalpojumos, lai aprēķinātu personīgo kredītreitingu, atklātu krāpšanu un aprēķinātu apdrošināšanas riska profilus un prēmijas.
Autoregresīvā mainīgā vidējā (ARMA) modeļos ir apvienoti autoregresijas un mainīgā vidējā modeļi — vidējie rādītāji, kuru elementi laika gaitā mainās. Zināmi arī kā Box-Jenkins modeļi — nosaukti pēc Džordža Boksa un Gvilima Dženkinsa, statistiķu, kuri uzlaboja savus sākotnējos formulējumus un popularizēja to izmantošanu — tos parasti izmanto, lai modelētu un pārbaudītu laika rindas, kas ir eksogēnu vai ārēju triecienu funkcija. un viņu pašu veikums pagātnē. ARMA modeļi ir “piemēroti” faktiskajiem novērojumiem laika gaitā par dažiem zināmiem vai iespējamiem interesējošiem autoregresīviem mainīgajiem vai mainīgajiem, lai labāk izprastu procesus, kas tos rada. Atšķirībā no stingri autoregresīviem modeļiem, tie tiek uzskatīti par līdzekli, lai noteiktu cēloņsakarību – cēloņsakarības esamību starp neatkarīgo un atkarīgo mainīgo vai mainīgajiem. Tādējādi tos parasti izmanto laika rindu prognozēšanā un citos paredzamās analītikas veidos.