自相关误差信号模型错误指定。理想情况下，模型误差应该是$i.i.d.$因此其中不应该有任何模式。如果他们这样做了，就会有一些信息未被提取；可以进行更多建模来提取模式。

有两种方法可以处理自相关错误的问题。

1. 保持模型规格不变，但围绕回归系数扩大置信区间，以说明违反模型假设的非自相关误差。这可能是出于希望保留原始模型的动机，该模型可能直接源自理论和/或具有良好的解释。这可以通过使用异方差和自相关 (HAC) 稳健标准误差来完成，例如 Newey 和 West (1987)。HAC 标准误差（作为常规标准误差的替代）应在任何主要的统计软件包中可用；它们似乎在从业者中很受欢迎，也许是因为它们提供了一个简单的解决方案。
   优点：易于使用；可以保留原来的模型。
   缺点：更宽的置信区间$\rightarrow$更低的精度，更低的功率（更难拒绝零假设）；型号指定错误；不太准确的预测（由于忽略了模型误差的自相关）。
2. 更改模型规格以获得非自相关误差。例如，运行带有 ARMA 错误的回归（易于通过arima或auto.arimaR 中的函数实现，包括通过参数的回归xreg量）或 - 正如 DJohnson 建议的那样 - 包括因变量的滞后作为回归量。
   优点：更窄的置信区间$\rightarrow$更高的精度，更多的力量（更容易拒绝零假设）；模型被正确指定（除非有其他错误，这通常是真的）；更准确的预测。
   缺点：需要更多的工作；无法保留原始模型。

我支持 Francis Diebold 的有力论点（在他的博客文章“HAC 皇帝没有衣服”中），即 2. 是要走的路。

参考：

• 纽维，惠特尼 K；韦斯特，肯尼斯 D (1987)。“一个简单、正半定、异方差和自相关一致协方差矩阵”。计量经济学 55 (3): 703–708。doi:10.2307/1913610

此演示文稿的链接开发了几种直观的方法，用于在测试表明存在自相关时校正自相关。这些方法中的大多数用于AR(1)或一阶过程，包括：

• 添加/删除变量，例如，包括响应的 1 周期滞后
• 增加时间周期，例如，从每天到每周，等等
• 通过一阶差分和乘以自相关系数 rho 来调整误差（对我缺乏乳胶技能表示歉意，但公式在链接的第 17 页）：

http://personal.rhul.ac.uk/uhte/006/ec2203/Lecture%2018_Autocorrelation&DynamicModels.pdf

如果这些“简单”解决方案都不起作用，那么就您而言，这些方法变得越来越复杂，并且至少在某些情况下，“治愈”可能比它试图修复的“疾病”更糟糕