where Lˆ = L(θˆ) is the log-likelih

where Lˆ = L(θˆ) is the log-likelihood of the model in Eq. (1) andLˆ0 = L(θˆ0) is the log-likelihood of the alternative constant modelsetting B equal to a matrix of zeros, and θˆ and θˆ0 are the maximum-likelihood estimates for the two models.The moment persistence measure LR∗VAR(1) might be interpretedsimilarly to the R2 in a simple linear regression: the more variationa model can explain, relative to a simple mean model benchmark,the better the predictability. In the case of Eq. (2) a better predictability implies higher LR∗VAR(1) and, hence, higher persistence.

結果 (繁體中文) 1:

其中，L = L（θ）是在公式模型的對數似然。（1）和
大號
0 = L（θ
0）是替代常數模型的對數似然
設定乙等於零矩陣，θ和θ
0是

為兩個模型的最大似然估計。
此刻持久性度量LR * VAR（1）可能會被解釋
類似於R2以簡單的線性回歸：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，
較好的可預測性。在公式的情況。（2）更好的可預測性意味著較高的LR * VAR（1），因此，持久性更高。

結果 (繁體中文) 2:

其中 L = L（*） 是 Eq 中模型的對數可能性。
L_
0 = L（°
0） 是替代常量模型的對數可能性
將 B 設置為零的矩陣，並且 | 和 =
0 是

兩個模型的最大可能性估計值。
可以解釋矩持久性度量 LR*VAR（1）
類似于簡單線性回歸中的 R2：變化越多
模型可以解釋，相對於一個簡單的平均模型基準，
可預測性越好。在Eq.（2）的情況下，更好的可預測性意味著更高的LR*VAR（1），因此，更高的持久性。

結果 (繁體中文) 3:

式中，Lˆ=L（θˆ）是式（1）中模型的對數似然，並且
Lˆ
0=L（θˆ
0）是替代常數模型的對數似然
設B等於零的矩陣，θˆ和θˆ
0是
兩個模型的最大似然估計。
矩持久性度量LR*VAR（1）可以解釋為
類似於簡單線性回歸中的R2：變化越大
一個模型可以解釋，相對於一個簡單的平均模型基準，
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*VAR（1），囙此，更高的持續性。