是的，原则上你的“经典”方法也会捕捉到周期性和自相关。毕竟，拟合 AR 时间序列模型与 OLS 根据实际值的滞后值回归实际值并没有太大区别。然而：

• 假设您以日、月和年作为预测变量运行标准线性回归。您的回归将无法理解预测变量设置 (1, 3, 2020) 与 (29, 2, 2020) 非常相似。是的，第三个预测变量是相同的，但其他两个不是，拟合的差异将是。将此与 (28, 2, 2020) 与 (29, 2, 2020) 的预测变量设置的拟合差异进行比较，这只是，尽管两者一对预测器设置都相隔一天。$28\hat{\beta}_{\text{Day}}+\hat{\beta}_{\text{Month}}$$\hat{\beta}_{\text{Day}}$

  此外，回归没有自回归的概念。

  当然，您可以手工制作回归，方法是包含一个日计数器来解释上述第一个事实，并包含结果的滞后值来解释自回归。但这将是很多工作，而且实际上在数学上并不是最优的。

• 现在假设您查看决策树，或者可能是随机森林。是的，这应该能够学习预测变量之间的相互作用，例如上面的 (1, 3, 2020) 和 (29, 2, 2020) 之间的差异。但是，这样做需要大量数据。比您仅使用时间序列方法要多得多。

底线：您可以为工作使用特定工具（时间序列分析），或调整其他工具（具有大量预测变量调整的回归），或者使用非常通用的工具，然后需要大量数据（CARTs 和 Random森林）。

从表面上看，时间序列方法在数学上更方便，而人类日期更方便呈现数据/结果。

正如您正确指出的那样，在更深层次上，可以使用日、月和年作为三个独立变量，特别是如果有理由认为存在周期性变化（例如，季节性变化或与太阳活动周期相关） ）。它是改善还是恶化取决于a）用于分析时间序列的方法（它是否能够捕获一年或几年的周期性运动？）和数据量（更多变量意味着更多参数，所以这增加了过拟合的风险。）

如果您认为 X 对 y 随时间变化的影响，回归将不起作用（好吧，OLS 不会）。自相关是时间序列数据中固有的另一个问题，尽管已经开发了特殊的 SE 来解决这个问题。如果 Y 随着时间的推移影响自身，那么我相信线性回归（非时间序列）也不会正常工作。