MA(1) 모형을 상수항 없이 \[ x_t = \epsilon_t - \theta \epsilon_{t-1}, \quad \epsilon_t \sim \textit{WN}(0, \sigma^2) \] 이라고 하자. \[ \epsilon_t = x_t + \theta \epsilon_{t-1} \] 이므로 최소제곱법으로 추정량 $\hat\theta$를 구하기 위해 \[ S(\theta) = \sum_{t=1}^n \epsilon_t^2 = \sum_{t=1}^n (x_t - \theta\epsilon_{t-1})^2 \] 를 최소로 하는 $\theta$를 찾을 수 있다. 그런데 $\epsilon_t$가 $\theta$에 따라 달라지므로 위 식은 간단히 풀릴 수가 없다. $\epsilon_t$가 $\theta$의 함수라는 사실을 드러내기 위해 $\epsilon_t(\theta)$로 표기하자. 이 함수가 어떤 함수인지 모르지만 테일러 전개를 해서 1차 함수로 근사하면 위 식을 쉽게 풀 수 있을 것이다. $\epsilon_t(\theta)$를 어떤 상수 $\theta^*$에서 테일러 전개를 1차항까지만 하면 다음과 같다. \[ \epsilon_t(\theta) \approx \epsilon_t(\theta^*) + (\theta - \theta^*) \omega_t(\theta^*), \qquad \omega_t(\theta) = \frac{\partial \epsilon_t(\theta)}{\partial \theta} \] 이제 이것을 이용하며 $S(\theta)$를 나타내면 \[ S(\theta) = \sum_{t=1}^n [\epsilon_t(\theta^*) + (\theta-\theta^*)\omega_t(\theta^*)]^2 \] 가 된다. 여기서 $\theta^*$은 어떤 상수이고 따라서 $\theta$에 관한 1차식을 제곱한 것의 합에 불과하므로 $S(\theta)$를 최소로 하는 $\theta$를 쉽게 찾아낼 수 있다. 위 식은 \( S(\beta) = \sum_{t=1}^n (y_t - \beta x_t)^2 \) 과 동일한 형태이고 우리는 이때 $S(\beta)$를 최소로 하는 것이 $\beta = S_{XY}/S_{XX}$라는 것을 잘 알고 있다. 즉, \[ \theta - \theta^* = \frac{-\sum_{t=1}^n \epsilon_t(\theta^*)\omega_t(\theta^*)}{\sum_{t=1}^n[\omega_t(\theta^*)]^2} \] 이다. 이 식에서 $\theta^*$에 어떤 초기값 $\theta_{(0)}$을 넣고 계산할 수 있다. 초기값은 예를 들어 적률이용추정량을 사용할 수 있다. 이렇게 해서 얻어지는 $\theta$를 $\theta_{(1)}$라고 하고 이 과정을 계속 반복할 수 있다. 즉,
\[ \theta_{(j+1)} = \theta_{(j)} +
\frac{-\sum_{t=1}^n \epsilon_t(\theta_{(j)})\omega_t(\theta_{(j)})}{\sum_{t=1}^n[\omega_t(\theta_{(j)})]^2} \]
와 같이 충분하다고 생각될 때까지 반복 계산을 하여 $\hat\theta$를 얻을 수 있다.
이때 $\epsilon_t(\theta^*)$, $\omega_t(\theta^*)$를 어떻게 구하는지가 문제가 된다. 우선 $\epsilon_0(\theta)=0$이라고 가정하고 $\epsilon_t(\theta)$를 살펴보자. \begin{align*} \epsilon_t(\theta) &= x_t + \theta \epsilon_{t-1}(\theta) = x_t + \theta (x_{t-1} + \theta \epsilon_{t-2}) = \cdots \\ &= x_t + \theta x_{t-1} + \theta^2 x_{t-2} + \cdots + \theta^{t-1} x_1 + \theta^t \epsilon_0(\theta)\\ &=\sum_{k=0}^{t-1} \theta^k x_{t-k} \end{align*} 여기에서 $x_i$는 관측치이므로 어떤 상수 $\theta^*$에 대해 $\epsilon(\theta^*)$를 구할 수 있다. 그리고 \(\epsilon_t(\theta) = x_t + \theta\epsilon_{t-1}(\theta)\)의 양변을 미분하여 얻어지는 식 또한 점화식의 형태가 되어 동일한 방법으로 계산할 수 있다. \begin{align*} \frac{\partial\epsilon_t(\theta)}{\partial \theta} &= \epsilon_{t-1}(\theta) + \theta \frac{\partial \epsilon_{t-1}(\theta)}{\partial\theta} = \cdots \\ &= \epsilon_{t-1}(\theta) + \theta \epsilon_{t-2}(\theta) + \theta^2 \epsilon_{t-3}(\theta) + \cdots + \theta^{t-2}\epsilon_1(\theta) +\theta^{t-1}\frac{\partial\epsilon_0(\theta)}{\partial \theta}\\ &= \sum_{k=0}^{t-2} \theta^k \epsilon_{t-1-k} \end{align*}
