Derivatet Numerike

Le të rishqyrtojë problemin në dorën tonë. Ne duam të programit të funksionojë loglikelihood (41) në EViews. Prandaj ne kemi hapur një dritare të programimit bosh si kemi mësuar para në këtë lloj pune praktike dhe në komandat e mëposhtme: Pëlhurë kërpi për çanta 13The matricës shumëzohet me -1 siç është definitive negative; dmth b0Hb <0> 0 8b. Mos harroni se ne kemi gjetur 'ML-vlerësim me numerike derivateve 'Cakto për të filluar vlerat LS ekuacion eq1.ls rendcyco c rendmark coef (1) alfa = c (1) coef (1) beta = c (2) coef (1) SIGMA = eq1. vetiu @ 'Set up gjasat log smr smr.append @ logl logl1 Res smr.append = rendcyco - alfa (1) - beta (1) * rendmark smr.append l_t = log (1 + 2 Res (5 * SIGMA (1) 2) smr.append logl1 = -1 / 2 * log (SIGMA (1) 2) - 3 * l_t 'Bëjnë MLE smr.ml tregojnë smr.output 'Krahasojnë me LS tregojnë eq1.output Me të parë komandën llogarisin ne modelin tonë nga OLS. Si të rezultojnë parametër Vlerësimet duhet të jetë i afërt me 'true' vlerat ood ata janë zgjedhur për fillimin e vlerave. Ne quajmë këtë ekuacion eq1 dhe ne i përdorim si paku shesheve për vlerësim ne add. LS në emër të tij. Nga ekuacion tregoni ne se EViews termi në vijim është një ekuacion objektit. Tani, ne vendosur atë parametër të variablave për vlerësimin ML EViews duke i thënë se një koeficient i Dimensioni 1 më poshtë duke përdorur coeff (1) dhe me emrin alfa. Ne përsëritur kjo procedurë për koeficienti në çdo model ML tonë. Për të na caktojë çdo koeficienti i vlerësuar parametrat e OLS procedure.14 Në linjë tjetër e ngritur ne loglikelihood objektit. EViewshas të tilla për të krijuar një objekt për të ruajtur çdo informacion në të. Nga komandën logl emrin ne EViews them se një loglikelihoodobject duhet të krijohen dhe se emri i saj është smr. Për programin e loglikelihood funksion, si dhe të deklarojë re seri ne duhet të përdorim loglname.append name. Së pari ne deklarojë veten loglikelihood funksion (se është e specifikuar më pas). Pastaj kemi krijuar tonë dhe mbetja e funksionit të ndryshueshme mandat të tretë të loglikelihood funksionojnë për çdo vëzhgues t. Në fund kemi përcaktuar nga smr.append logl1 = të loglikelihood për çdo funksion të vëzhgimit t si një whole.15 Në pjesën e fundit e programit ne ML vlerësojnë duke përdorur loglname.ml dhe nga tregojnë loglname.output dhe tregojnë lsname.output ne them të programit për të na treguar se vlerësim prodhimin e ML dhe OLS vlerësim respektivisht. 14It mundshme është që të mbështetet në parametra OLS duke përdorur c (i) forthe ith koeficient dhe standarde devijimi nga OLS vlerësim mund të zgjidhet me emrin. @ se. 15EViews nuk e pranon loglikelihood shuma e funksioneve të çdo vëzhgues të funksionojë si kriter. Ajo maximizes mbi çdo fëmijë i lindur vetëm një kriter të funksionojë.
Tani, ne programin e drejtuar nga thjesht duke klikuar mbi të kandidojë në dritaren e programit dhe ne get output tonë (shih Fig. 16) .16

Figura 16: EViews-Output ML për vlerësim. Në ML output dritare ne mund të zbulojë një shënim në lidhje me konvergjencën e algorithm tonë. Ja se i nevojiteshin vetëm 10 hapa për të arritur nivelin e konvergjencës. Sipas' Metoda 'ne mund të shohim EViews që ka kryer një maksimum gjasat ka përdorur një vlerësim të Levenberg - Marquardt algorithm. Duke hapur View / Kontrollo derivateve të kemi një pasqyrë rreth numerike gradients në optimale (shih Fig. 17). Për çdo koeficienti është e rreshtuar relative hap size si dhe vlera e pjerrët dhe e hap Madhësia minimale. Ne do të kthehen në këtë tabelë më vonë kur ne të drejtuar programin me analitike derivateve.

Figura 17: Informacion rreth numerike gradients një optimale vlera e kriter funksion.