Szereg czasowy – to ciąg obserwacji uporządkowanych według czasu, rejestrowanych w kolejnych punktach lub przedziałach czasowych. Pomiary są często wykonywane w regularnych odstępach, np. co godzinę, dzień, miesiąc lub rok, choć w praktyce możliwe są również szeregi o nieregularnych odstępach czasu. Przykładem szeregu czasowego może być średnia cena energii elektrycznej w kolejnych miesiącach, liczba zgłaszanych przypadków przemocy domowej w poszczególnych latach, kurs waluty w kolejnych dniach czy miesięczny przychód przedsiębiorstwa.

Szereg czasowy można przedstawić w formie wykresu lub tabeli – poniżej przedstawiamy przykłady.

W analizie szeregów czasowych wyróżnia się kilka podstawowych składników. Najważniejsze z nich to trend, sezonowość, wahania cykliczne oraz składnik losowy. Trend oznacza długookresową, systematyczną tendencję wzrostową, spadkową lub względnie stały poziom badanego zjawiska. Sezonowość odnosi się natomiast do regularnych, powtarzalnych zmian występujących w określonych odstępach czasu, np. w poszczególnych miesiącach, kwartałach lub dniach tygodnia.  Trend opisuje ogólny kierunek zmian w czasie, natomiast sezonowość – regularny wzorzec powtarzający się w określonym cyklu .

Przykładowo obroty przedsiębiorstwa mogą systematycznie rosnąć w kolejnych latach, co wskazuje na trend wzrostowy, a jednocześnie każdego roku osiągać wyższe wartości w konkretnych miesiącach, np. w okresie przedświątecznym. W takim przypadku szereg zawiera jednocześnie trend i komponent sezonowy. Wahania cykliczne również dotyczą zmian rozłożonych w czasie, ale w przeciwieństwie do sezonowości nie muszą występować w stałych i dokładnie powtarzalnych odstępach. Mogą być związane np. z cyklami koniunkturalnymi. Składnik losowy obejmuje z kolei zmiany nieregularne, których nie wyjaśniają pozostałe elementy szeregu.

Istotną własnością wielu szeregów czasowych jest autokorelacja, czyli zależność pomiędzy aktualną wartością zmiennej a jej wartościami obserwowanymi we wcześniejszych punktach czasu. Jeżeli np. wysoka sprzedaż w danym miesiącu wiąże się z wysoką sprzedażą miesiąc później, w szeregu może występować dodatnia autokorelacja.  W analizie szeregów czasowych ważne jest uwzględnienie zależności między kolejnymi obserwacjami, ponieważ narusza ona typowe założenie niezależności wyników.   Celem analizy szeregów czasowych jest rozpoznanie struktury zmian zachodzących w czasie, opisanie trendu i sezonowości,  identyfikacja zależności między kolejnymi obserwacjami oraz prognozowanie przyszłych wartości, np. przychodów przedsiębiorstwa, poziomu bezrobocia, cen energii czy liczby zachorowań.

Do analizy szeregów czasowych wykorzystuje się m.in. techniki wygładzania, średnie ruchome, wyrównywanie wykładnicze, analizę autokorelacji i autokorelacji cząstkowej, modele AR, MA i ARIMA, a także metody analizy harmonicznej i widmowej. W wielu metodach istotne jest także pojęcie stacjonarności, czyli względnej stałości podstawowych właściwości szeregu w czasie. Jeżeli szereg wykazuje silny trend lub sezonowość, przed dopasowaniem niektórych modeli może być konieczne jego odpowiednie przekształcenie, np. różnicowanie.