So sánh phương pháp
Xem các phương pháp đã chọn cạnh nhau; những hàng khác biệt được làm nổi bật.
| Hồi quy Bình phương Tối thiểu Thông thường (OLS)× | Mô hình không gian trạng thái (Bộ lọc Kalman)× | |
|---|---|---|
| Lĩnh vực | Kinh tế lượng | Kinh tế lượng |
| Họ | Regression model | Regression model |
| Năm ra đời≠ | 2019 | 1990 |
| Người khởi xướng≠ | Wooldridge (textbook treatment); classical least squares | Harvey; Durbin & Koopman (state space treatment); Kalman filter |
| Loại≠ | Linear regression | State space time series model |
| Công trình gốc≠ | Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning. ISBN: 978-1337558860 | Harvey, A. C. (1990). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. DOI ↗ |
| Tên gọi khác | ordinary least squares, classical linear regression, linear regression, en küçük kareler regresyonu | state space, Kalman filter, unobserved components model, Durum Uzayı Modeli (State Space / Kalman Filter) |
| Liên quan≠ | 5 | 4 |
| Tóm tắt≠ | Ordinary Least Squares is the classical linear regression method that explains a continuous outcome as a linear combination of predictors. It estimates the coefficients by minimising the sum of squared residuals, and under the Gauss-Markov assumptions these estimates are the best linear unbiased estimator (BLUE). | A state space model is a general time series framework that describes a series through unobserved (latent) state variables linked by a measurement equation and a transition equation, with the states estimated in real time by the Kalman filter. Developed in the state space tradition of Harvey (1990) and Durbin & Koopman (2012), it nests ARIMA and exponential smoothing as special cases. |
| ScholarGateBộ dữ liệu ↗ |
|
|