的极大似然函数正比于残差的似然函数。 对于任意给定的 q , 假设我们的 形式及相应参 数
f
已知,下面我们通过极大化 的似然函数来获得其估计,为了计算的方便,我们假设前 p
q
个观测点不出现异常点,观测残差用 表示,且对 令
t
0
k
0,0,()0,
kkk
xf
12
,,,
p
可由 得到,在上述初值条件下, 的条件似然函数为:
1
1
()
p
ttjttj
j
xfxx
q
21/222
1
(|)()()(2)exp[/(2)]
n
t
tp
lylxl
2()/222
1
(2)exp[()/(2)]
n
np
t
tp
的极大似然函数估计相当于使 最小化。对 ,在给定观测值和模型参数 的
q
2
1
n
t
tp
tp
前提下,观测残差由下式得到:
1
1
(),1 ,,
p
ttjttj
j
yfyytpn
对于 EXPAR(p) 模型, 下面将 表示为观测残差的形式:
2
11
()exp(),
jtjjt
fyabry
2
1
n
t
tp
1> 若在 处有一个大小为 的 IO ,则由( 2-3 )知: ,
tq
IO
q
;,()
IO
qqqtt
tq
此时 ,因而 的最小二乘估计为:
22222
1
()
n
IO
ttqtqq
tptqtq
IO
q
( 2-4 )
1
1
ˆ
()
p
IO
qqtjttj
j
yfyy
当 (2-4) 中所有参数均已知时, 由 Francesco Battaglia(2005)
[22]
知,
,
2
ˆ
~(,)
IOIO
qq
N
在原假设 (即 q 处没有革新异常点) 下, , 此时如果 已
知,
0
:0
IO
q
H
2
ˆ
~(0,)
IO
q
N
2
则标准化 后得似然比统计量: 。 当 (2-4) 中参数未知时,模型
ˆ
IO
q
ˆ
ˆ
/~(0,1 )
IOIO
qq
N
参数用相应的相合估计代替后有同样的结论。 但是如果 未知, 可以用 相对稳健的 伪
2
2
极大似然估计: 代替,根据 Francesco Battaglia(2005)
[22]
有:
212
1,
ˆ
ˆ
()
n
IOt
tptq
np
( 2-5 )
0
ˆ
ˆ ˆ
ˆ ˆ
://~(0,1 )
IOIO
qqIOqIO
HN
2> 若在 处有一个大小为 的 AO ,则由( 2-4 )知:
tq
AO
q
;,()
AO
qqqtt
tq
当 ,我们有: 0,1
kk
1
1
()
p
qkqkjqkqkj
j
yfyy
http://www.paper.edu.cn