پژوهش های متداول در زمینه رگرسیون های پیشگو، حالتی را بررسی می کنند که در آن به ازای هر t، متغیر yt به وسیله متغیر xt-1 پیش بینی می شود، وقتی که {xt} ساختار ar(1) دارد. با وجود این، ممکن است سری های پیشگویی وجود داشته باشند که ساختار اتورگرسیو آن ها با مرتبه بزرگ تر از 1 باشند. مسأله موجود در این مدل ها، اریبی برآوردگرهای حداقل مربعات معمولی ضرایب شیب، تحت برخی شرایط است. در این پایان نامه مدل پیشگویی بررسی می شود که در آن به ازای هر t، متغیر yt به وسیله متغیرهای xt-1، ...، xt-p پیش بینی می شود و {xt} ساختار ar(p)، برای p >1 دارد. روشی که برای برآورد کردن ضرایب شیب معرفی می شود، تعمیمی از روش رگرسیون افزوده برای حالت p=1 است، که اریبی را کاهش می دهد. هم چنین شیوه ای برای آزمون فرض معناداری ضرایب شیب یشنهاد می شود. این روش به حالتی که سری پیشگو ساختار اتورگرسیو مرتبه p چندگانه داشته باشد، تعمیم داده می شود. به منظور مقایسه روش حداقل مربعات معمولی و روش ارائه شده در این پایان نامه داده های بازار سهام نیویورک مورد بررسی قرار می گیرد. نتایج این بررسی نشان می دهند، که اگر ساختار بازده سود سهام به اشتباه ar(1) فرض شود، این متغیر پیش بینی کننده معناداری برای بازده سهام، نه تنها براساس روش حداقل مربعات معمولی، بلکه براساس روش رگرسیون افزوده برای حالت p=1 است. در حالی که با به کار بردن روش ارائه شده در این پایان نامه و با در نظر گرفتن ساختار اتورگرسیو مناسب برای بازده سود سهام، یعنی ar(2) این معناداری وجود ندارد. علاوه بر آن داده های بازار سهام ایران براساس دو مدل ارزیابی شدند. نتایج بررسی داده های ایران نشان می دهند، که دلیلی برای پیش بینی بازده سهام بازار سهام ایران و صنعت خودروی ایران به وسیله بازده سود سهام وجود ندارد.