自相關時間序列和序列自相關誤差之間有區別嗎？
我很確定我在這裡遺漏了一些明顯的東西，但是我對時間序列領域的不同術語感到困惑。如果我理解正確，則串行自相關錯誤是回歸模型中的一個問題（例如，請參見此處）。我現在的問題是什麼確切定義了自相關錯誤？我知道自相關的定義，我可以應用這些公式，但這更多的是對回歸中時間序列的理解問題。
例如，讓我們以每日溫度的時間序列為例：如果今天是炎熱的一天（夏季時間！），那麼明天也可能很熱，反之亦然。我想我有一個問題，稱這種現象為“串行自相關錯誤”現象，因為它並沒有讓我覺得這是一個錯誤，而是正如預期的那樣。
更正式地說，讓我們假設一個具有一個因變量的回歸設置和一個自變量和模型。
有沒有可能是自相關的，而是獨立同居嗎？如果是這樣，這對於所有調整自相關標準誤差的方法意味著什麼？您仍然需要這樣做還是它們僅適用於自相關錯誤？或者您是否總是在誤差項的這種設置中對自相關進行建模，所以如果是自相關的或?
這是我在這裡的第一個問題。我希望它不會太混亂，我希望我沒有錯過任何明顯的東西……我也嘗試用谷歌搜索它並找到了一些有趣的鏈接（例如，在SA上），但沒有什麼能真正幫助我。
在我看來，您似乎對自回歸（今天的溫度受昨天溫度的影響，或者我今天的海洛因消費量取決於我以前的藥物使用情況）和自相關錯誤（與非對角線有關）之間的差異感到困惑方差-協方差項中的項非零。繼續使用您的天氣示例，假設您將溫度建模為時間的函數，但它也受到火山爆發等因素的影響，而火山爆發是您在模型中忽略的。火山揚起塵埃雲，擋住了太陽，降低了溫度。這種隨機干擾將持續超過一個時期。這將使您的時間趨勢看起來不像應有的那麼陡峭。公平地說，自回歸和自相關誤差可能都是溫度問題。
自相關誤差也可能出現在橫截面空間數據中，其中影響一個地區經濟活動的隨機衝擊將溢出到其他地區，因為它們具有經濟聯繫。在加利福尼亞州殺死葡萄的衝擊也將降低蒙大拿州牛肉的銷量。如果您從時間序列模型中省略相關且自相關的自變量，您也可以誘導自相關干擾。