【えいあーるもでる (AR (autoregressive) model)】
x t {\displaystyle x_{t}\,} を E ( x t ) = 0 {\displaystyle {\mbox{E}}(x_{t})=0\,} の弱定常過程とし, ε t {\displaystyle \varepsilon _{t}\,} を E ( ε t ) = 0 {\displaystyle {\mbox{E}}(\varepsilon _{t})=0\,} , V ( ε t ) = σ 2 {\displaystyle {\mbox{V}}(\varepsilon _{t})=\sigma ^{2}\,} , E ( ε t ε s ) = 0 {\displaystyle {\mbox{E}}(\varepsilon _{t}\varepsilon _{s})=0\,} ( t ≠ s ) {\displaystyle (t\neq s)\,} のホワイトノイズとする. x t {\displaystyle x_{t}\,} が x t = ϕ 1 x t − 1 + ⋯ + ϕ p x t − p + ε t {\displaystyle x_{t}=\phi _{1}x_{t-1}+\cdots +\phi _{p}x_{t-p}+\varepsilon _{t}\,} と表現できるとき, このモデルを次数 p {\displaystyle p\,} の自己回帰(AR)モデルと呼び, AR ( p ) {\displaystyle {\mbox{AR}}(p)\,} モデルと略記する.AR という用語は x t {\displaystyle x_{t}\,} を自身の過去の値に回帰することに由来し,AR モデルは理解しやすい構造をもっている.
を 
の弱定常過程とし,
を 
,
,
のホワイトノイズとする. が 
と表現できるとき, このモデルを次数 
の自己回帰(AR)モデルと呼び,
モデルと略記する.AR という用語は を自身の過去の値に回帰することに由来し,AR モデルは理解しやすい構造をもっている.