where ˆ L = L(ˆ θ) is the log-likel

where ˆ L = L(ˆ θ) is the log-likelihood of the model in Equation (1) and ˆ L0 = L(ˆ θ0) is the log-likelihood of the alternative constant model setting B equal to a matrix of zeros, and ˆ θ and ˆ θ0 are the maximum-likelihood estimates for the two models. The moment persistence measure LR∗V AR(1) might be interpreted similarly to the R2 in a simple linear regression: the more variation a model can explain, relative to a simple mean model benchmark, the better the predictability. In the case of Equation (2) a better predictability implies higher LR∗V AR(1) and, hence, higher persistence.

結果 (繁體中文) 1:

其中，L = L（θ）是在公式模型（1）和L0 = L（θ0）的對數似然是替代常數模型設定B的對數似然等於零矩陣，和θ和θ0是兩個模型的最大似然估計。此刻持久性度量LR * V AR（1）可以被類似地解釋，所述R2中一個簡單的線性回歸：越變化的模型可以解釋，相對於一個簡單的均值模型的基準，更好的可預測性。在等式的情況下（2）更好的可預測性意味著較高的LR * V AR（1），因此，持久性更高。

結果 (繁體中文) 2:

其中 [ L ] L（##）是公式 （1） 中模型的對數可能性，而 _ L0 = L（μ0） 是替代常量模型設置 B 等於零矩陣的對數可能性，而 α 和 α 0 是兩個模型的最大可能性估計值。在簡單的線性回歸中，力矩持久性度量 LR*V AR（1） 的解釋可能與 R2 類似：相對於簡單均值模型基準，模型解釋的變異越多，可預測性就越好。在方程 （2） 中，更好的可預測性意味著更高的 LR*V AR（1），因此，持久性更高。

結果 (繁體中文) 3:

式中，ˆL=L（ˆθ）是方程（1）中模型的對數似然，ˆL0=L（ˆθ0）是替代常數模型設定B等於零矩陣的對數似然，且ˆθ和ˆθ0是兩個模型的最大似然估計。矩持續性測度LR*V AR（1）的解釋可能類似於簡單線性回歸中的R2：相對於簡單平均模型基準，模型能够解釋的變化越多，可預測性越好。在等式（2）的情况下，更好的可預測性意味著更高的LR*V AR（1），囙此，更高的持續性。