众所周知，经济系统是极为复杂的非线性、非均衡、非完全信息的动态系统。在对经济数据进行回归分析时，人们通常假设响应变量的期望关于模型的未知参数是线性的，但在回归模型的研究与应用中，鉴于研究的经济现象的因复杂性所表现出的非均衡和非线性性，对经济模型进行非线性设定是非常必要的。非线性回归模型现已发展成为近代回归分析的一个重要研究分支。特别是在计算机技术十分发达的今天，人们借助一些统计软件，如SAS、Matlab、SPSS等，可以像分析线性回归模型一样，方便地对非线性回归模型进行分析。　　 非线性回归模型已在许多实际问题中得到了应用，该模型通常假设随机误差项是正态白噪声的。但如果搜集的数据和时间有关，残差序列可能会表现出序列相关性。如果不考虑残差序列自相关的结构，仍然采用标准的非线性最小二乘法估计模型的回归系数，无疑会影响参数估计的有效性。另外，对已有的经济数据建立模型时，只使用其中一种分析方法，即采用回归方法，或是时间序列方法，常常存在解释变量能力有限的问题，说明可能建立的模型中信息的提取不够充分。若忽略残差序列中的这些信息，则会影响模型的预测效果。如果模型的残差序列波动稳定或数据比较规则，该序列呈现出线性关系时，用时间序列方法中AR(p)，MA(q)，ARMA(p，q)，ARIMA(p，d，q)等模型来拟合残差序列是合适的。综合以上分析，我们考虑将非线性回归和时间序列这两种方法结合起来，建立混合回归和时间序列模型，试图解决残差序列的自相关问题。　　 由于残差序列呈现出的更多的是自相关，所以我们选用AR(p)模型和非线性回归模型进行结合，并将结合后的模型称之为具有AR(p)误差的非线性回归模型。文中主要介绍了具有AR(p)误差的非线性回归模型的形式，并通过对比线性回归模型中对自相关问题的处理方法，给出具有AR(p)误差的非线性回归模型的估计方法--两步估计法。另外，考虑到自然界中绝大部分序列都是非平稳的，我们也将上述方法进行拓展，给出具有ARI(p，d)误差的非线性回归模型来解决非平稳时间序列数据的相关性问题。通过数据模拟可知，采用混合回归和时间序列方法，建立的具有AR(p)误差的非线性回归模型，通过两步估计后，能在一定程度上消除序列的自相关性，较好的估计出模型的参数，提高模型的预测效果。在实证数据中，由于残差序列的非平稳性，我们用扩展的具有ARI(p，d)误差的非线性回归模型来进行分析。