大樣本在時間序列的情況下顯得更加重要。對於時間序列數據來講，很多定理成立的關鍵依賴於變量之間的相關性是否足夠快的趨於零。
平穩隨機過程+協方差平穩過程：若一個平穩過程有有限的二階矩，那么它一定是協方差平穩的，但反之未必成立。
當h無限增大時，如果x（t）和x（t+h）是“近乎獨立”的，則這個序列被稱為弱相依的（weakly dependent）。注意這個概念與時間序列是否平穩無關。
如果一個序列是弱相依的，而且在除掉了趨勢之后是平穩的，則稱其為趨勢-平穩過程（trend-stationary process）。
高度持久或者強相依：比如隨機游走模型，表現出高度持久的行為，因為現在的y值對於決定很遠的將來的y值有非常重要的作用。（一般是用相關系數進行判斷）
有趨勢的序列不一定是高度持久的，有高度持久性質的數據並不一定都有趨勢。
弱相依過程被稱為I（0），其含義是在回歸分析中使用之前無需對這種序列進行任何處理：這種序列的均值已經滿足標准的極限定理。I（1）過程（比如隨機游走）經過一階差分后是I（0）。因此對於高度持久時間序列一般需通過差分進行變換。（對I（1）數據回歸會產生什么后果？）
如何判斷序列是否是I（1）：一階自相關rho=cov（yt，yt-1）（>0.9 or 0.8?）
動態完整模型（dynamically complete model）:模型中已經包含了足夠多的滯后變量，以至於y和解釋變量的其他滯后對解釋yt沒有任何意義。