使用Marquardt算法的具有非线性最小二乘法的AR（1）：EViews与R

Question

几周前，我发布了一个经过深思熟虑的问题，困扰着模糊的信息。 这是我纠正原始问题并获得更好答案的尝试。

主要问题是：我无法使用EViews和R获得类似的参数估计。

由于我不了解自己的原因，我需要使用EViews估算某些数据的参数。 这是通过选择NLS（非线性最小二乘）选项并使用以下公式完成的： indep_var c dep_var ar(1)

EViews声称他们估计线性AR（1）过程，例如：

Y _t = a + B * X _t + u _t

其中，u _t个错误被定义为

u _t = p * u _t-1 + e

通过使用等效方程式（带有一些代数替换）：

Y _t =（1-p）* a + p * Y _t-1 + B * X _t -p * B * X _t-1 + e _t

此外， 在EViews论坛上的讨论提示，其NLS估计值是由Marquardt算法生成的。

现在，用于估计AR（1）过程的R函数为arima 。 但是，存在两个问题：1）估计是最大似然估计； 2）截距估计实际上不是截距估计 。

因此，我从minpack.lm包转向了nlsLM函数。 此函数使用Marquardt算法获得非线性最小二乘估计，该估计应产生与EViews实现相同的结果（至少是非常相似的结果）。

现在的代码。 我有一个带有自变量和因变量的数据帧（ data ），例如由以下代码生成的变量：

data <- data.frame(independent = abs(rnorm(48)), dependent = abs(rnorm(48)))

为了估计方程的EViews要求来估计（ ^第三一个在此篇）中的参数，我使用下面的命令：

library(minpack.lm)
result <-
nlsLM(dependentB ~ ((1 - theta1) * theta2) + (theta1 * dependentA) +
                    (theta3 * independentB) - (theta1 * theta3 * independentA),
data = list(dependentB = data$dependent[2:48], dependentA = data$dependent[1:47],
   independentB = data$independent[2:48], independentA = data$independent[1:47]),
start = list(theta1 = -10, theta2 = -10, theta3 = -10)
)

不幸的是， nlsLM输出的估计值与EViews输出的估计值并不接近。 您有什么可能的原因吗？ 也许我的代码是错误的？

最后，我想说我个人是R用户-这就是为什么我试图在R中而不是EViews中执行此操作。 我也很乐意向您提供我正在使用的数据，但这是不可能的，因为它是机密数据。

Answer 1

Eviews规范似乎应该是：

dep_var  c indep_var ar(1)