当确定平滑转移变量及转移函数类型后，建模流程的下一步便是模型参数的估计。本节简要介绍两区制STAR模型参数的估计，其方法同样适用于多区制STAR模型的估计。

将式（2.30）表示的STAR模型简写为

式中，xt=（1，y1，y2，…，yp）′，，式（2.36）的参数可以用非线性最小二乘估计（NLS）或极大似然方法估计（MLE），即

当误差项服从正态分布时，式（2.37）表示的NLS等价于MLE，如果误差项不服从正态分布，则NLS可看成拟极大似然估计（quasi MLE）。

在正则条件下，参数的非线性最小二乘估计量及（拟）极大似然估计量是一致估计量且具有渐近正态性，即，其中，C表示参数方差协方差矩阵。(www.daowen.com)

对于非线性最小二乘估计或极大似然估计，初始值的确定尤为重要。van Dijk等（2002）及Teräsvirta等（2010）总结了确定初始值的格点搜索方法。当给定γ及c值时，式（2.36）与式（2.30）成为线性模型，因此可以采用OLS估计参数1φ及1θ，同时可以估计残差平方和。构建一个含有γ与c的N种不同组合的格子，依次选择这N种不同组合，重复计算残差平方和，选择最小值所对应的γ与c的组合作为其初始值。在这个格子中，c值通常选择转移变量的样本分位数，这样可以保证转移函数具有一定的变异性，以使得OLS估计中不会出现奇异矩阵的情况。

值得一提的是，当采用格点搜索时，参数γ受量纲的影响，为消除这种量纲的影响，Teräsvirta（1994）建议在参数估计时，可先用转移变量的样本标准差（对于LSTAR模型）或方差（对于ESTAR）转移速度参数，然后确定初始值及进行参数估计。

最后，需要注意的是，STAR模型的参数估计存在一个特殊的数值问题，即当实际的γ值很大时，STAR模型类似于TAR模型，平滑转移函数也接近于阶跃函数（step function），因此，要想准确估计γ值，需要有大量观测值集中在门限值附近。在有限样本下，尤其是小样本下，γ值的估计往往有很大的标准差，导致在γ=0的原假设下，t统计量值不显著，但这并不意味着数据不具有非线性特征，因为在γ=0的原假设下存在参数不可识别问题，此时的t统计量并不服从其常规的t分布。因此，Teräsvirta（1994）认为，在这种情况下，对于γ值的精确估计其实并无必要。