Autoregressiivne on statistiline termin, mida kasutatakse aegridade andmetega töötamisel ja mis viitab muutuvale huvipakkuvale kogusele või väärtusele, mis on korrelatsioonis sama muutuja varasemate väärtustega või sõltub nendest. Seotud termin “autoregressioon” on regressioonianalüüsi vorm, mis kasutab aegridade andmeid sisendina, et välja selgitada, kas huvipakkuv muutuja on tõepoolest autoregressiivne, st sõltub enda varasematest väärtustest. Huvipakkuv muutuja, mis osutub autoregressiivseks, viitab, kuid ei tõesta iseenesest, et praeguse ja mineviku väärtuste vahel on põhjus-tagajärg seos. Seetõttu analüüsitakse teadaolevate või arvatavate autoregressiivsete suuruste või väärtuste aegridu sageli selliste muutujate tulevaste väärtuste prognoosimiseks ennustavate analüütiliste meetodite abil.
Huvipakkuvad muutujad, millel on märkimisväärne autoregressioon, ilmuvad erinevates kohtades inimeste ja looduslike protsesside tulemusena. Näiteks aktsiaturu hindu, valuutakursse, digitaalseid signaale ja indiviidide arvu populatsioonis peetakse kõik vähemalt mingil määral autoregressiivseteks. Lisaks on olemas mitmesuguseid autoregressioonianalüüsi vorme, millest igaüks peetakse paremaks või halvemaks sobivaks ja seetõttu rakendatakse seda teatud tüüpi autoregressiivsete andmekogumite jaoks. Selliste rakenduste hulgas kasutatakse tervishoius autoregressiooni, et parandada ultraheli diagnostikatestide lahutusvõimet ja tõlgendamist; telekommunikatsioonis digitaalsete signaalide edastamise, vastuvõtmise ja töötlemise parandamiseks; majanduses makromajandusliku ja äritegevuse prognoosimiseks; ja finantsteenuste valdkonnas isiklike krediidiskooride arvutamiseks, pettuste tuvastamiseks ning kindlustusriski profiilide ja kindlustusmaksete arvutamiseks.
Autoregressiivse libiseva keskmise (ARMA) mudelid ühendavad autoregressiooni ja liikuva keskmise mudelid – keskmised, mille koostisosad aja edenedes nihkuvad. Tuntud ka kui Box-Jenkinsi mudelid – nime saanud George Boxi ja Gwilym Jenkinsi järgi, statistikud, kes täiustasid oma algseid koostisi ja populariseerisid nende kasutamist – neid kasutatakse tavaliselt aegridade modelleerimiseks ja testimiseks, mis on tingitud eksogeensetest või välistest šokkidest. ja nende endi varasemaid tulemusi. ARMA mudelid “sobivad” mõne teadaoleva või kahtlustatava autoregressiivse muutuja või huvipakkuvate muutujate tegelike vaatlustega aja jooksul, et paremini mõista neid genereerivaid protsesse. Erinevalt rangelt autoregressiivsetest mudelitest peetakse neid vahendiks põhjusliku seose kindlakstegemiseks – põhjus-tagajärje seos sõltumatu ja sõltuva muutuja või muutujate vahel. Seetõttu kasutatakse neid tavaliselt aegridade prognoosimisel ja muudel ennustava analüütika vormidel.