通常，您希望预测系统的行为以改善您对该系统的反应和与该系统的交互。但归根结底，如果控制系统不可行，预测只是最后的手段。此外，只有在系统过于复杂以至于无法将任何有用的其他知识纳入预测时，您通常才会使用时间序列进行预测。

时间序列分析为您提供了很多方法来了解系统的内部运作，这反过来可能是控制它的第一步。例如，它可能会产生以下信息：

• 系统的内部节奏是什么，它们与我的可观察性有什么关系？
• 我的系统噪音在多大程度上占主导地位？噪音是什么样的？
• 系统是否静止——后者是影响系统的外部条件长期变化的指标。
• 如果我把我的系统看成一个动态系统，那么底层动态的特征是什么：它是混乱的还是有规律的？它对扰动有何反应？它的相空间是什么样的？
• 对于具有多个组件的系统：哪些组件相互交互？
• 如果我希望我的模型不仅仅重现观察到的时间序列的某些特征，例如产生对系统的理解，正确描述与过去观察到的任何情况都无法比较的情况，我该如何为我的系统建模所有，例如，当我主动操纵系统或发生极端事件时（例如在灾难模拟中）。以上几点都可以发挥作用，此外，时间序列分析可以通过比较原始模型和模型的时间序列来验证模型。

一些实际的例子：

• 气候研究采用了大量的时间序列分析，但不仅有利于预测气候，而且还试图回答我们如何影响气候的重要问题。
• 如果您有一个与个别女性患者的疾病相关的时间序列，并且您发现大约一个月的强频率分量，这强烈暗示月经周期以某种方式参与。即使您无法理解这种关系，并且只能通过在正确的时间给予一些药物来治疗症状，您也可以从考虑该患者的实际月经周期中受益（这是一个示例，如果您预测的不仅仅是时间序列）。

我会说不。时间序列方法可以揭示手头问题的结构，而不仅仅是一些仅根据序列自身历史进行的预测。

例如，状态空间模型形式可用于对具有多种变体的时变回归进行建模。并且结构时间序列也可以转换为状态空间形式。

Zellner 和 Palm 写了一篇关于结合结构和时间序列建模的文章。

ftp://ftp.uic.edu/pub/depts/econ/hhstokes/e537/zellner_palm_je74.pdf

不，我会给你一个时间序列的用法，它与预测无关：频谱分析。

FFT 是光谱分析中的工作马，但当您的系列基本上是无限的或非常长时，它的效果最好。分析声波是 FFT 的一个很好的应用。然而，在社会科学中，这个系列通常不会很长。通常我们最多有几十个观察值。因此，在这些情况下，您可以使用 Yule-Walker 方程来获得该系列的周期图，例如参见 MATLABpyulear 函数。