当未观察到的误差项自相关时，至少有 4 种可能的策略，因为您不能只将误差添加到模型中：

1. 使用带有校正方差-协方差矩阵的 OLS（例如 Newey-West）
2. 模型的转换
3. 可行的广义最小二乘法
4. 工具变量

(2) 可能是最常见的。OLS 和 FGLS 适用于非标量残差方差矩阵。当您有一个与误差项相关的回归量时，IV 很好。转换对两者都有用。

Prais-Winsten和Conchrane-Orcutt是一阶自相关 (3) 的常见示例。这些链接将很好地说明机制。

这篇文章包括一些真实世界的例子。在优惠券示例中，如果可以获取数据，您可能会想象将它们添加为回归量。在其他示例中，这没有多大意义，并且 (1)-(4) 提供了一个可行的替代方案。

当试图获得 MA 或 AR（或 ARMA 或 ARIMA，如果你正在扩展它）的直观真实世界图片时，我经常发现考虑延续效应很有用，即在一个时期发生的事情会延续到下一个时期。

这是一个示例：假设您正在为报纸销售建模。这种模型中的噪声（随机误差）可以明智地包含报纸头条的相对短暂的影响，而模型的其余部分处理更稳定的事物，如趋势和季节性（现在我假设一个 ARIMA 模型，但如果你想要一个纯 MA 模型假设论文没有趋势或季节性）。尽管报纸标题效应被建模为错误，但我们可能会认为这种效应确实会延续到接下来的几天（一个好故事会吸引读者，然后又会消失）。这将导致在模型中包含 MA 项 - 将先前误差项的影响延续到当前时间段。

你可以以同样的方式思考 AR 术语，只是这里所继承的是前几天整个销售效果的一部分。

希望有帮助