（1）自回归模型（Autoregressive Model）：根据预测变量的历史数据，通过自回归进行预测，即y（t）=β0+β1*y（t-1）+β2*y（t-2）+u（t），模型中含有n个历史数据，则该自回归模型称为n阶自回归模型；相应的参数β1、β2等称为冲击倾向（冲击乘数）；自回归模型的根据是时间序列的相关性，即记忆性；自回归模型的预测能力很强；
（2）分布滞后模型（Distributed Lag Model）：用与被解释变量y相关的解释变量x的时间序列数据对y进行预测，即y（t）=β0+β1*x（t）+β2*x（t-1）+u（t），例如，y（t）代表时期t的经济增长率，x（t）代表时期t的投资量，分布滞后模型相当于将静态模型中的解释变量替代为解释变量的历史时间序列；分布滞后模型具有明确的经济学、金融学理论解释；
（3）自回归分布滞后模型（Autoregressive Distributed Lag Model）：将以上两种模型结合起来，即构造模型y（t）=β0+β1*x（t）+β2*x（t-1）+β3*y（t-1）+β4*y（t-2）+u（t），自回归分布滞后模型综合了自回归模型和分布滞后模型的优点；
（4）GARCH模型（General Autoregressive Conditional Heteroskedasticity Model）：用长期平均方差、n-1期及以前的方差估计值与n-1期及以前的残差平方去估计n期的方差的模型，模型的解释变量中含有p个方差估计量，q个残差平方，则该模型称为GARCH（p，q）；GARCH模型常用于估计波动率。