原则上，你所说的抓住了差异。但可能人们将 TS 预测称为 TS 回归，因为从技术上讲，TS 预测涉及 TS 回归。

另一点（关于您的第二个要点）是每个 TS 回归不一定用于预测。它可能只是为了理解两个变量之间的关系。

考虑一个非常幼稚的例子：

在上面的例子中，经济学家可能只是对估计$\beta_1$感兴趣，它是边际消费倾向。理论上，相同的模型可用于在给定Y_{t+h}的情况下预测$C_{t+h}$ +h} 。但更有趣和更复杂的是实践（而不是理论）。让我只提一下 TS 回归和在实践中经历的预测之间的两个区别：$Y_{t+h}$

1. 取上式。在给定时间，您可能发布了的数字，但没有的数字。这是 TS Regression: Choice of Variables中第一个实际不同的地方。预测需要领先指标，即在已知响应变量值之前可用的那些解释变量。在这里，发现给定的解释变量是否解释了响应变量的兴趣不大。更感兴趣的是它可以如何预测响应变量。例如，为了预测，您可能需要使用信用卡交易量。我们知道它显然是要解释$Y_{t+h}$$C_{t+h}$$C_t$$C_t$（因此经济学家不感兴趣）但对于预测数据是否可以提前获得非常有帮助。

2. 诊断：在 TS 回归中，回归输出的诊断通常涉及检查解释变量的重要性——以确保它解释响应变量变化的程度。在预测中它可能不是那么重要（Rob Hyndman 在他的博客中的某个地方给出了一些例子，但是我不记得确切的主题）。另一个例子是 - 在预测中很重要，但在一般回归中没有那么重要。还有更多（坦率地说，我一直在考虑将这个问题发布为用于回归和预测的单独诊断列表的列表）。$R^2$

我相信这里的其他人可以提供一些更有趣的输入。

时间序列预测（以我的思维方式）纯粹使用内生序列的过去作为模型的基础（ARIMA 或 Box-Jenkins）。

除了内生序列的历史之外，时间序列回归还使用因果（外生）序列及其滞后。这些模型通常称为传递函数或动态回归模型或更常见的 SARMAX 模型 https://autobox.com/pdfs/SARMAX.pdf。

在检测和合并潜在的确定性结构（如脉冲、电平偏移和本地时间趋势）以及参数或模型误差随时间变化的可能瞬态影响时，最好采用这两种方法。

请参阅我多年前写的http://www.autobox.com/pdfs/regvsbox-old.pdf ，以提供有关“回归 vs Box_Jenkins”的更多详细信息/对比

好吧，回归是关于估计/拟合模型的，这个概念扩展到时间序列数据之外。模型适合建立内生变量和外生变量之间的关系。

内生变量的预测/预测是拟合模型的一种用例，但并非所有拟合模型都适用于预测目的。