Спектр регре́ссии, спектр случайного процесса, входящего в регрессионную схему для стационарных временных рядов. Именно, пусть случайный процесс $y_t$, наблюдаемый при $t=1,\dots,n$, представляется в виде$$y_t = m_t+x_t,\tag{1}$$где $x_t$ – стационарный процесс с $\mathbf{E} x_t\equiv 0$, а среднее значение $\mathbf{E}y_t=m_t$ выражено в форме линейной регрессии$$m_t = \sum_{k=1}^s \beta_k\varphi_t^{(k)},\tag{2}$$$\varphi^{(k)} = (\varphi_1^{(k)},\dots, \varphi_n^{(k)})$, $k=1,\dots,s$ – известные регрессионные векторы, $\beta_1,\dots,\beta_s$, – неизвестные коэффициенты регрессии. Пусть $M(\lambda)$ – спектральная функция распределения регрессионных векторов $\varphi^{(1)},\dots,\varphi^{(s)}$. Спектром регрессии для $M(\lambda)$ называется множество всех $\lambda$ таких, что $M(\lambda_2)-M(\lambda_1)>0$ для любого интервала $(\lambda_1,\lambda_2)$, содержащего $\lambda$, $\lambda_1<\lambda<\lambda_2$.

Спектр регрессии играет важную роль в задачах оценки коэффициентов регрессии в схеме (1) – (2). В терминах элементов спектра регрессии выражается, например, необходимое и достаточное условие асимптотической эффективности оценок $\beta$ по методу наименьших квадратов.