在使用时间序列框架或回归框架之间进行选择是一种错误的二分法。

想要使用时间序列框架的主要原因是自相关错误。考虑到这一点，可以通过使用带有 ARMA 错误的回归（ARIMAX 模型混淆 - Hyndman）将自相关错误合并到回归中，并且在某种意义上获得“两全其美”。

自相关
这是一个反例。假设数据生成过程要么恰好是可逆 MA( ) 模型，要么非常近似于 1。如果您还想通过时间序列回归来近似它，您将需要一个 AR( ) 模型。这是不可行的，因此您最终会得到一个带有较大 ) 。估计AR(参数*会使其具有高方差，因此在预测中表现不佳。同时，您可以改用 MA( ) 模型。它只有 1+2 个参数*，因此方差更低，预测精度更高。$1$$\infty$$p$$p$$p+2$$p$$1$

季节性
这里是另一个反例。将简约 SARIMA 模型视为数据生成过程或其近似值。SARIMA 模型生成的季节性不能由虚拟变量（您称之为标志）建模。此外，用时间序列回归来近似它可能需要很多变量并带来很多不必要的估计方差。
即使在最简单的 SARIMA(1,0,0)(1,0,0) 实例中，SARIMA 模型也将有 2+2 个参数*要估计，而等效的自回归（您可以将其视为时间序列回归) 将有 3+2 个参数。这样，您将估计一个多余的参数，从而增加模型的方差。如果我们要添加一些移动平均项，情况会变得更糟。

外推
如果您的意思是预测未来（超出可用数据），那么以上两点适用。否则，我同意这两种方法都存在挑战。

关于包括附加变量，带有 ARMA 错误的回归（正如 David Veitch 已经建议的那样）始终是一种选择。但这些额外的变量通常也需要预测，这将我们引向向量自回归 (VAR) 和 VARMA 模型。

总之，了解时间序列回归和ARIMA型时间序列模型是很好的。会有前者更自然或更有效的情况，也有相反的情况。然后，您只能受益于同时拥有这两种工具并能够使用在给定任务中效果更好的任何一种工具。

*+2 来自截距和误差方差。