正常的数据类型分为三种：横截面数据、时间序列数据和面板数据三类。其中，时间序列是按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周月等。在本例中为每天某产品的需求量，这些数据形成了以一定时间间隔的数据。时间序列数据包含时间要素和数值要素，通过对这些时间序列的分析，从中发现和揭示现象发展变化的规律，并将这些知识和信息用于预测。比如需求量是上升还是下降，是否与季节有关，是

主成分分析也成为主分量分析，在实际问题中变量之间可能存在一定的相关性。因此若可以使用个数较少但是保留了原始变量大部分信息的几个不相关的综合变量来代替原来的较多变量，就能简化数据，从而对原来复杂的数据关系进行简明有效的统计分析。其本质是“有效降维”，既要减少变量个数，又不能损失太多信息。当一个变量住区一两个数据时提供的信息非常有限，变量的变异性越大，说明它提供的信息量越。主成分分析中的信息，就是变量

除了上述的几种线性回归模型外还有逻辑回归模型尚未讨论。逻辑回归模型本质上是在预测概率，试用于分析二分类或有次序的因变量和自变量之间的关系，是分类模型。该模块的相关结论和代码实现将在未来的文章中再详细分析。本篇文章是笔者自行学习总结得出，若有错处还望温和批评指正。