Mô hình hóa sai số tự hồi quy AR(p) Modeling AR(p) autoregressive errors 1. Giới thiệu Trong bài học trước, chúng ta đã biết rằng phương pháp FGLS yêu cầu một ước lượng của ma trận hiệp phương sai sai số, $\mathbf{\hat{\Sigma}}$. Nhưng làm thế nào để chúng ta có được $\mathbf{\hat{\Sigma}}$ trong thực tế? Thay vì cố gắng ước tính mọi phần tử trong ma trận T x T này (một nhiệm vụ bất khả thi), các nhà kinh tế lượng thường áp dụng một chiến lược thông minh hơn: chúng ta đưa ra một giả định hợp lý về cấu trúc của quá trình sai số. Giả định phổ biến nhất là sai số tuân theo một quá trình tự hồi quy (Autoregressive process), hay còn gọi là AR. Ý tưởng cơ bản là sai số của ngày hôm nay, $u_t$, một phần là sự “lặp lại” của sai số ngày hôm qua, $u_{t-1}$, cộng với một cú sốc hoàn toàn mới và ngẫu nhiên, $\varepsilon_t$. Mô hình đơn giản nhất cho cấu trúc này là AR(1), …