使用Marquardt算法的具有非線性最小二乘法的AR（1）：EViews與R

Question

幾周前，我發布了一個經過深思熟慮的問題，困擾着模糊的信息。 這是我糾正原始問題並獲得更好答案的嘗試。

主要問題是：我無法使用EViews和R獲得類似的參數估計。

由於我不了解自己的原因，我需要使用EViews估算某些數據的參數。 這是通過選擇NLS（非線性最小二乘）選項並使用以下公式完成的： indep_var c dep_var ar(1)

EViews聲稱他們估計線性AR（1）過程，例如：

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

其中，u _t個錯誤被定義為

u _t = p * u _t-1 + e

通過使用等效方程式（帶有一些代數替換）：

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

此外， 在EViews論壇上的討論提示，其NLS估計值是由Marquardt算法生成的。

現在，用於估計AR（1）過程的R函數為arima 。 但是，存在兩個問題：1）估計是最大似然估計； 2）截距估計實際上不是截距估計 。

因此，我從minpack.lm包轉向了nlsLM函數。 此函數使用Marquardt算法獲得非線性最小二乘估計，該估計應產生與EViews實現相同的結果（至少是非常相似的結果）。

現在的代碼。 我有一個帶有自變量和因變量的數據幀（ data ），例如由以下代碼生成的變量：

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

為了估計方程的EViews要求來估計（ ^第三一個在此篇）中的參數，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輸出的估計值與EViews輸出的估計值並不接近。 您有什么可能的原因嗎？ 也許我的代碼是錯誤的？

最后，我想說我個人是R用戶-這就是為什么我試圖在R中而不是EViews中執行此操作。 我也很樂意向您提供我正在使用的數據，但這是不可能的，因為它是機密數據。

Answer 1

Eviews規范似乎應該是：

dep_var  c indep_var ar(1)