大样本在时间序列的情况下显得更加重要。对于时间序列数据来讲，很多定理成立的关键依赖于变量之间的相关性是否足够快的趋于零。
平稳随机过程+协方差平稳过程：若一个平稳过程有有限的二阶矩，那么它一定是协方差平稳的，但反之未必成立。
当h无限增大时，如果x（t）和x（t+h）是“近乎独立”的，则这个序列被称为弱相依的（weakly dependent）。注意这个概念与时间序列是否平稳无关。
如果一个序列是弱相依的，而且在除掉了趋势之后是平稳的，则称其为趋势-平稳过程（trend-stationary process）。
高度持久或者强相依：比如随机游走模型，表现出高度持久的行为，因为现在的y值对于决定很远的将来的y值有非常重要的作用。（一般是用相关系数进行判断）
有趋势的序列不一定是高度持久的，有高度持久性质的数据并不一定都有趋势。
弱相依过程被称为I（0），其含义是在回归分析中使用之前无需对这种序列进行任何处理：这种序列的均值已经满足标准的极限定理。I（1）过程（比如随机游走）经过一阶差分后是I（0）。因此对于高度持久时间序列一般需通过差分进行变换。（对I（1）数据回归会产生什么后果？）
如何判断序列是否是I（1）：一阶自相关rho=cov（yt，yt-1）（>0.9 or 0.8?）
动态完整模型（dynamically complete model）:模型中已经包含了足够多的滞后变量，以至于y和解释变量的其他滞后对解释yt没有任何意义。