6.3. Расширенный метод наименьших квадратов: оценивание параметров модели авторегрессии - скользящего среднего с лаговыми экзогенными переменными Ранее (см. п. 5.4.4) остался открытым вопрос оценивания параметров моделей авторегрессии - скользящего среднего. Рассмотрим один из возможных подходов к решению этой задачи с использованием рекуррентного метода наименьших квадратов. Пусть модель описывается следующим разностным уравнением
где, как и ранее, ut - независимые случайные величины. Модель (6.26) содержит как авторегрессию и скользящее среднее, так и запаздывающие (лаговые) экзогенные переменные z. Необходимо оценить вектор параметров модели ( 6.26)
Определим вектор регрессоров
Тогда уравнение (6.26) можно записать в виде
Модель (6.27)
не является линейной по параметрам,
поскольку для того, чтобы определить
прошлые значения u по прошлым
наблюдениям y и z, необходимо
знать истинное значение вектора
параметров
Тогда модель (6.27) можно аппроксимировать моделью
где вектор регрессоров
остатки модели Модель вида (6.28) называется псевдолинейной регрессией. Все величины, необходимые для
вычисления вектора регрессоров Изложенная процедура оценивания называется расширенным методом наименьших квадратов (расширенным среднеквадратичным оценивателем).
|