"Linear verwandt" bedeutet normalerweise
yt= a xt+ b + εt
für Konstante ,b ε t t = 0 , 1 , … , T a beinb und uiv Zufallsfehler , . Ein Grund, warum man eine exponentiell gewichtete OLS-Schätzung vornehmen würde, ist der Verdacht, dass sich und selbst (langsam) mit der Zeit könnten. Daher denken wir wirklich, dass das richtige Modell istεtt = 0 , 1 , … , T.einb
yt=α(t)xt+β(t)+εt
für unbekannte Funktionen β ( t ) a = α T b = β T.α(t) und die sich im Laufe der Zeit langsam (wenn überhaupt) ändern, und wir sind daran interessiert, ihre aktuellen Werte zu schätzen, und . Nehmen wir an, diese Funktionen sind glatt, sodass wir den Satz von Taylor anwenden können. Dies behauptet dasβ(t)a=αTb=βT
α(t)=α(T)+α′(tα,t)(t−T)
für einige und ähnlich für . Wir denken an undβ ( t ) a b α T β Ttα,t,0≤tα,t<Tβ(t)ab als die neuesten Werte bzw. . Verwenden Sie dies, um die Residuen erneut auszudrücken:αTβT
yt−(axt+b)=α′(tα,t)(t−T)xt+β′(tβ,t)(t−T)+εt.
Jetzt muss viel von Hand gewinkt werden. Wir werden die gesamte rechte Seite als zufällig betrachten. Seine Varianz ist die von plus mal der Varianz von plusx 2 t ( t - T ) 2 α ' ( t α , t ) ( t - T ) 2 β ' ( t β , t ) ( t - T ) 2εtx2t(t−T)2α′(tα,t)(t−T)2 fache Varianz von . Diese beiden Varianzen sind völlig unbekannt, aber ( Abrakadabra ) stellen wir uns vor, dass sie aus einem (stochastischen) Prozess resultieren, bei dem möglicherweise systematische (nicht zufällige, aber immer noch unbekannte) "Fehler" oder "Variationen" von einem Zeitpunkt zum anderen akkumuliert werden das andere. Dies würde ein Exponential vorschlagenβ′(tβ,t)Änderung dieser Abweichungen im Laufe der Zeit. Vereinfachen Sie nun einfach den expliziten (aber im Wesentlichen nutzlosen) Ausdruck für die rechte Seite und absorbieren Sie die quadratischen Terme in das Exponential (da wir sowieso so wild mit den Händen winken), um zu erhalten(t−T)2
yt−(axt+b)=δt
mit der Varianz von gleich für eine Konstante . Ignorieren möglicher zeitlicher Korrelationen zwischen den exp ( κ ( t - T ) ) κ δ tδtexp(κ(t−T))κδt und die Annahme, dass sie Normalverteilungen haben, ergibt eine logarithmische Wahrscheinlichkeit für die Daten proportional zu
∑t=0Tk−t(yT−t−axT−t−b)2
(plus eine irrelevante Konstante, die nur von abhängt ) mit . Das exponentiell gewichtete OLS-Verfahren maximiert daher die Wahrscheinlichkeit, vorausgesetzt, wir kennen den Wert vonkk=expκk (ähnlich einem Profilwahrscheinlichkeitsverfahren).
Obwohl diese gesamte Ableitung eindeutig phantasievoll ist, zeigt sie, wie und in welchem Ausmaß die exponentielle Gewichtung versucht, mit möglichen Änderungen der linearen Parameter im Laufe der Zeit umzugehen. Es bezieht den Parameter auf die zeitliche Änderungsrate dieser Parameter.k