预测
预测向量自回归(VAR)模型反应
语法
描述
有条件的和无条件的预估数字数组
返回一个数值数组,其中包含路径的最小均方误差(MMSE)多变量响应预测Y
=预测(Mdl
,numperiods
,Y0
)Y
在一个长度numperiods
预测地平线,使用VAR(指定的完全p)模型Mdl
。预测反应代表的延续presample数值数组中的数据Y0
。
无条件的预估表和时间表
返回表或时间表Tbl2
=预测(Mdl
,numperiods
,Tbl1
)Tbl2
包含长度numperiods
路径多元MMSE响应变量的预测,结果从VAR计算无条件的预测模型Mdl
。预测
使用presample数据的表或时间表Tbl1
初始化反应级数。
预测
选择的变量Mdl.SeriesNames
预测,或者选择所有变量Tbl1
。选择不同的响应变量Tbl1
预测,使用PresampleResponseVariables
名称-值参数。
使用附加选项指定一个或多个名称参数。例如,Tbl2
=预测(Mdl
,numperiods
,Tbl1
,名称=值
)预测(Mdl 10 Tbl1 PresampleResponseVariables = (“GDP”“CPI”))
返回一个响应变量的时间表,其中包含他们无条件的预测从VAR模型Mdl
初始化的数据国内生产总值
和消费者价格指数
变量presample数据的时间表Tbl1
。
条件预估表和时间表
返回表或时间表Tbl2
=预测(Mdl
,numperiods
,Tbl1
抽样=抽样
ReponseVariables =ResponseVariables
)Tbl2
包含长度numperiods
路径多元MMSE响应变量的预测和相应的预测家中小企业,由于计算条件的预测从VAR模型Mdl
。预测
使用presample数据的表或时间表Tbl1
初始化反应级数。抽样
是一个表或地平线预测未来数据的时间表吗预测
使用条件预测和计算ResponseVariables
指定变量的响应抽样
。
使用附加选项指定一个或多个名称参数。Tbl2
=预测(Mdl
,numperiods
,Tbl1
抽样=抽样
ReponseVariables =ResponseVariables
,名称=值
)
例子
返回矩阵VAR模型的预测
VAR(4)模型适合消费者价格指数(CPI)和失业率。然后,无条件的MMSE估计反应的预测模型。提供所有必需的数据在数字矩阵。
加载Data_USEconModel
数据集。
负载<年代pan style="color:#A020F0">Data_USEconModeldts = datetime(日期、ConvertFrom =<年代pan style="color:#A020F0">“datenum”);
画出两个系列在不同的情节。
图绘制(dts, DataTimeTable.CPIAUCSL);标题(<年代pan style="color:#A020F0">“消费者价格指数”)ylabel (<年代pan style="color:#A020F0">“指数”)包含(<年代pan style="color:#A020F0">“日期”)
图绘制(dts, DataTimeTable.UNRATE);标题(<年代pan style="color:#A020F0">“失业率”)ylabel (<年代pan style="color:#A020F0">“百分比”)包含(<年代pan style="color:#A020F0">“日期”)
稳定的CPI将它转换为一系列的增长率。同步的两个系列通过删除第一个观察失业率系列。
RCPI = price2ret (DataTimeTable.CPIAUCSL);UNRATE = DataTimeTable.UNRATE(2:结束);dts = dts(2:结束);埃斯蒂= [RCPI UNRATE];
创建一个默认的VAR模型使用简写语法(4)。
Mdl = varm (2、4);
使用整个数据集估计模型。
EstY EstMdl =估计(Mdl);
EstMdl
是一个完全指定,估计varm
模型对象。
从估计模型预测反应在三年的地平线。整个数据集指定为presample观察。
numperiods = 12;EstY Y0 =;Y =预测(EstMdl numperiods, Y0);
Y
是一个12-by-2矩阵的预测反应。第一和第二列包含预测消费者价格指数增长率和失业率,分别。
情节预测反应和过去50真实的反应。
跳频= dateshift (dts(结束),<年代pan style="color:#A020F0">“结束”,<年代pan style="color:#A020F0">“季”1:numperiods);图h1 =情节(EstY dts ((end-49):结束),((end-49):最终,1));持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (: 1));标题(<年代pan style="color:#A020F0">“消费者价格指数增长率”)ylabel (<年代pan style="color:#A020F0">“增长率”)包含(<年代pan style="color:#A020F0">“日期”甘氨胆酸)h =;填充([dts(结束)跳频([结束结束])dts(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColo =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“数据”,<年代pan style="color:#A020F0">“预测”)举行<年代pan style="color:#A020F0">从
图h1 =情节(EstY dts ((end-49):结束),((end-49):最后,2));持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (:, 2));标题(<年代pan style="color:#A020F0">“失业率”)ylabel (<年代pan style="color:#A020F0">“百分比”)包含(<年代pan style="color:#A020F0">“日期”甘氨胆酸)h =;填充([dts(结束)跳频([结束结束])dts(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColo =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“西北”)举行<年代pan style="color:#A020F0">从
数字矩阵的计算条件预测未来的响应数据
这个例子是基于返回矩阵VAR模型的预测。CPI增长的预测患者的反应率4季度超出采样数据,考虑到未来每个季度的失业率是8%预测地平线。
加载Data_USEconModel
数据集。
负载<年代pan style="color:#A020F0">Data_USEconModeldts = datetime(日期、ConvertFrom =<年代pan style="color:#A020F0">“datenum”);
稳定的CPI将它转换为一系列的增长率。同步的两个系列通过删除第一个观察失业率系列。
RCPI = price2ret (DataTimeTable.CPIAUCSL);UNRATE = DataTimeTable.UNRATE(2:结束);dts = dts(2:结束);埃斯蒂= [RCPI UNRATE];
创建一个默认的VAR模型使用简写语法(4)。使用整个数据集估计模型。
Mdl = varm (2、4);EstY EstMdl =估计(Mdl);
预期CPI增长速度估计模型在一个为期一年的地平线,鉴于失业率明年每季度8%。创建一个2×4矩阵CondYF
包含条件预测地平线,第一列(对应RCPI
)是由南
价值观和第二列(对应UNRATE
)是完全由8
。来预测
,提供未来数据并指定整个数据集presample观察。
numperiods = 4;EstY Y0 =;CondYF =南(numperiods Mdl.NumSeries);CondYF (:, 2) = 8;Y =预测(EstMdl numperiods, Y0, YF = CondYF)
Y =<年代pan class="emphasis">4×2-0.0068 8.0000 -0.0121 8.0000 0.0006 8.0000 -0.0045 8.0000
Y
是一个4×2的矩阵矩阵预测CPI增速系列的第二年,失业率固定在8%。
估计预测区间
分析预测精度使用预测间隔在三年的地平线。这个例子之前,从返回矩阵VAR模型的预测。
加载Data_USEconModel
数据集和数据进行预处理。
负载<年代pan style="color:#A020F0">Data_USEconModeldts = datetime(日期、ConvertFrom =<年代pan style="color:#A020F0">“datenum”);RCPI = price2ret (DataTimeTable.CPIAUCSL);UNRATE = DataTimeTable.UNRATE(2:结束);D = [RCPI UNRATE];
估计一个VAR(4)模型的两个反应级数。保留最后三年的数据。
bfh = dts(结束)年(3);estIdx = dts < bfh;Mdl = varm (2、4);埃斯蒂= D (estIdx:);EstY EstMdl =估计(Mdl);
从估计模型预测反应在三年的地平线。整个数据集指定为presample观察。返回的MSE的预测。
numperiods = 12;[Y, YMSE] =预测(EstY EstMdl、numperiods);
Y
是一个12-by-2矩阵的预测反应。YMSE
是一个12-by-1细胞相应的均方误差矩阵的向量。
从矩阵中提取主对角线元素的每一个细胞YMSE
。应用结果的平方根获得标准错误。
extractMSE = @ (x)诊断接头(x) ';MSE = cellfun (extractMSE YMSE UniformOutput = false);SE =√cell2mat (MSE));
估计大约95%的预估区间为每个反应级数。
YFI = 0 (numperiods Mdl.NumSeries 2);YFI (:: 1) = Y - 2 * SE;YFI (:: 2) = Y + 2 * SE;
情节预测反应和过去50真实的反应。
图h1 =情节(dts ((end-49):结束),RCPI ((end-49):结束);持有<年代pan style="color:#A020F0">在;h2 =情节(dts (~ estIdx), Y (: 1));h3 =情节(dts (~ estIdx) YFI (:, 1, 1),<年代pan style="color:#A020F0">“k——”);情节(dts (~ estIdx) YFI (:, 1, 2),<年代pan style="color:#A020F0">“k——”);标题(<年代pan style="color:#A020F0">“消费者价格指数增长率”)ylabel (<年代pan style="color:#A020F0">“增长率”)包含(<年代pan style="color:#A020F0">“日期”甘氨胆酸)h =;填充([bfh h。XLim([2 2]) bfh],h.YLim([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2 h3),<年代pan style="color:#A020F0">“数据”,<年代pan style="color:#A020F0">“预测”,<年代pan style="color:#A020F0">“95%的预测区间”,<年代pan style="color:#0000FF">…位置=<年代pan style="color:#A020F0">“西北”)举行<年代pan style="color:#A020F0">从
图h1 =情节(dts ((end-49):结束),UNRATE ((end-49):结束);持有<年代pan style="color:#A020F0">在;h2 =情节(dts (~ estIdx), Y (:, 2));h3 =情节(dts (~ estIdx) YFI (:, 2, 1),<年代pan style="color:#A020F0">“k——”);情节(dts (~ estIdx) YFI (:, 2, 2),<年代pan style="color:#A020F0">“k——”);标题(<年代pan style="color:#A020F0">“失业率”)ylabel (<年代pan style="color:#A020F0">“百分比”)包含(<年代pan style="color:#A020F0">“日期”甘氨胆酸)h =;填充([bfh h。XLim([2 2]) bfh],h.YLim([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2 h3),<年代pan style="color:#A020F0">“数据”,<年代pan style="color:#A020F0">“预测”,<年代pan style="color:#A020F0">“95%的预测区间”,<年代pan style="color:#0000FF">…位置=<年代pan style="color:#A020F0">“西北”)举行<年代pan style="color:#A020F0">从
返回时间预测和预报家中小企业的数组
VAR(4)模型适合消费者价格指数(CPI)和失业率。然后,无条件的MMSE估计反应的预测模型。在时间表提供所有必需的数据。这个例子是基于从无条件返回响应系列矩阵模拟。
加载和数据预处理
加载Data_USEconModel
数据集。计算CPI的增长速度。因为增长率计算消耗最早的观察,包括利率变量将系列的时间表南
。
负载<年代pan style="color:#A020F0">Data_USEconModelDataTimeTable。RCPI =[南;price2ret (DataTimeTable.CPIAUCSL)];
准备的时间表估计
当你打算直接提供一个时间表估计
,你必须确保它有以下特点:
所有选定的响应变量数值,不包含任何缺失的值。
的时间戳
时间
变量是普通,他们是升序或降序。
从表中删除所有缺失值,相对于CPI率(RCPI
)和失业率(UNRATE
)系列。
varnames = [<年代pan style="color:#A020F0">“RCPI”“UNRATE”];德勤= rmmissing (DataTimeTable DataVariables = varnames);numobs =身高(德勤)
numobs = 245
rmmissing
删除四个初始失踪的观察DataTimeTable
创建子表德勤
。的变量RCPI
和UNRATE
的德勤
没有任何失踪的观察。
确定采样时间戳有规律的频率和排序。
areTimestampsRegular = isregular(德勤,<年代pan style="color:#A020F0">“季度”)
areTimestampsRegular =<年代pan class="emphasis">逻辑0
areTimestampsSorted = issorted (DTT.Time)
areTimestampsSorted =<年代pan class="emphasis">逻辑1
areTimestampsRegular = 0
表明的时间戳德勤
是不规则的。areTimestampsSorted = 1
表示时间戳排序。宏观经济系列在这个例子中时间戳在本月底。本系列质量引发一个不定期测量。
解决不规则的时间将所有日期的第一天。
dt = DTT.Time;dt = dateshift (dt,<年代pan style="color:#A020F0">“开始”,<年代pan style="color:#A020F0">“季”);德勤。时间=dt; areTimestampsRegular = isregular(DTT,<年代pan style="color:#A020F0">“季度”)
areTimestampsRegular =<年代pan class="emphasis">逻辑1
德勤
定期对时间。
创建模型估计的模板
创建一个默认的VAR模型使用简写语法(4)。指定响应变量名。
Mdl = varm (2、4);Mdl.SeriesNames=varnames;
合适的模型数据
估计模型。通过整个时间表德勤
。默认情况下,估计
选择响应变量Mdl.SeriesNames
适合的模型。或者,您可以使用ResponseVariables
名称-值参数。
德勤EstMdl =估计(Mdl);
反应和预测计算预测家中小企业
从估计模型预测反应在三年的地平线。指定整个数据集德勤
作为一个presample观察。
numperiods = 12;[Tbl2, YMSE] =预测(EstMdl numperiods,德勤);Tbl2
Tbl2 =<年代pan class="emphasis">12×2时间表时间RCPI_Responses UNRATE_Responses ___________ Q2-09 _____ * * * -0.00036087 - 7.9762 -0.0078947 - 8.7104 -0.014099 - 8.6682 Q3-09 Q4-09 Q1-10 0.0039157 - 5.9685 -0.0025178 - 7.3152 -0.00074203 - 6.6233 Q2-10 Q3-10 Q4-10 0.0070472 - 4.8808 0.0043404 - 5.4787 0.0056518 - 5.1184 Q1-11 Q2-11 Q3-11 Q1-12 0.0077906 - 4.7519 4.728 0.007241 4.7632 Q4-11 0.0075783
YMSE
YMSE =<年代pan class="emphasis">12×1单元阵列{2 x2双}{2 x2双}{2 x2双}{2 x2双}{2 x2双}{2 x2双}{2 x2双}{2 x2双}{2 x2双}{2 x2双}{2 x2双}{2 x2双}
Tbl2
12-by-2时间表的预期CPI增长和失业率。预测变量名是附加的_Responses
例如,RCPI_Responses
包含的预测RCPI
。的时间戳Tbl2
直接从时间戳的德勤
,他们有相同的采样频率。
YMSE
12-by-1细胞向量对应的2×2的预测均方误差矩阵中每一个时期预测地平线。例如,每个响应之间的协方差预测期6系列的预测地平线(对角线YMSE {6}
)是-0.0025。
预测VARX(4)模型
估计4向量自回归模型包括外生因素(VARX(4))的消费者价格指数(CPI),失业率,国内生产总值(GDP)。包括线性回归组件包含当前季度和过去四个季度的政府消费支出和投资(GCE)。从估计的模型预测的反应路径。
加载Data_USEconModel
数据集,计算出实际国内生产总值。
负载<年代pan style="color:#A020F0">Data_USEconModelDataTimeTable。RGDP = DataTimeTable.GDP. / DataTimeTable.GDPDEF * 100;
情节所有变量在不同的情节。
图tiledlayout (2, 2) nexttile情节(DataTimeTable.Time DataTimeTable.CPIAUCSL);ylabel (<年代pan style="color:#A020F0">“指数”)标题(<年代pan style="color:#A020F0">“消费者价格指数”)nexttile情节(DataTimeTable.Time DataTimeTable.UNRATE);ylabel (<年代pan style="color:#A020F0">“百分比”)标题(<年代pan style="color:#A020F0">“失业率”)nexttile情节(DataTimeTable.Time DataTimeTable.RGDP);ylabel (<年代pan style="color:#A020F0">“输出”)标题(<年代pan style="color:#A020F0">“实际国内生产总值(gdp)”)nexttile情节(DataTimeTable.Time DataTimeTable.GCE);ylabel (<年代pan style="color:#A020F0">“数十亿美元”)标题(<年代pan style="color:#A020F0">“政府支出”)
稳定CPI, GDP,全球教育运动将每个转换为一系列的增长率。同步失业率系列与其他通过删除第一次观察。
varnames = [<年代pan style="color:#A020F0">“CPIAUCSL”“RGDP”“全球教育运动”];德勤= varfun (@price2ret DataTimeTable,数据源= varnames);DTT.Properties。VariableNames = varnames;德勤。UNRATE = DataTimeTable.UNRATE(2:结束);
时基定期。
dt = DTT.Time;dt = dateshift (dt,<年代pan style="color:#A020F0">“开始”,<年代pan style="color:#A020F0">“季”);德勤。时间=dt;
扩大全球教育运动速度系列一个矩阵,其中包括第一个滞后系列通过第四滞后系列。
RGCELags = lagmatrix(1:4,德勤DataVariables =<年代pan style="color:#A020F0">“全球教育运动”);德勤=(德勤RGCELags);德勤= rmmissing(德勤);
创建单独的presample和评估样本数据集。最早presample包含p
=4
观察和评估样本包含的其他数据。
p = 4;PS =德勤(1:p:);抽样=德勤((p + 1):最终,);respnames = [<年代pan style="color:#A020F0">“CPIAUCSL”“UNRATE”“RGDP”];idx = endsWith (InSample.Properties.VariableNames,<年代pan style="color:#A020F0">“全球教育运动”);prednames = InSample.Properties.VariableNames (idx);
创建一个默认的VAR模型使用简写语法(4)。指定响应变量名。
Mdl = varm (3 p);Mdl.SeriesNames=respnames;
估计模型使用最后三年的数据。指定GCE矩阵作为回归数据组件。
bfh = DTT.Time(结束)年(3);estIdx =德勤。时间< bfh;EstMdl =估计(Mdl德勤(estIdx:), ResponseVariables = respnames,<年代pan style="color:#0000FF">…PredictorVariables = prednames);
季度的预测路径响应三年后的未来。
numperiods = 12;Tbl1 =德勤(estIdx:);Tbl2 =预测(EstMdl numperiods Tbl1,抽样=德勤(~ estIdx,:)<年代pan style="color:#0000FF">…PredictorVariables = prednames);
Tbl1
12-by-3时间表的预期响应。变量名称对应于响应变量名称respnames
附加的_Reponses
。
情节预测反应和过去50真实的反应。
图tiledlayout (2, 2)<年代pan style="color:#0000FF">为j = 1: Mdl。NumSeries nexttile h1 =情节(DTT.Time ((end-49):结束),德勤{(end-49):最终,respnames (j)});持有<年代pan style="color:#A020F0">在h2 =情节(DTT.Time (~ estIdx) Tbl2 {:, respnames (j) +<年代pan style="color:#A020F0">“_Responses”});标题(respnames (j)) h = gca;填充([bfh h。XLim([2 2]) bfh],h.YLim([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);持有<年代pan style="color:#A020F0">从结束hl =传奇([h1 h2], [<年代pan style="color:#A020F0">“数据”“预测”]);霍奇金淋巴瘤。位置= (0.6 - 0.25 hl.Position (3:4)];
返回条件预测的时间表
计算条件VAR模型的预测返回响应的时间表和创新从无条件的模拟,经济学家假设失业率是6% 15季度结束后的样本(2012)从2009年第二季度到第四季度。
加载和数据预处理
加载Data_USEconModel
数据集。计算CPI的增长速度。因为增长率计算消耗最早的观察,包括利率变量将系列的时间表南
。
负载<年代pan style="color:#A020F0">Data_USEconModelDataTimeTable。RCPI =[南;price2ret (DataTimeTable.CPIAUCSL)];
准备的时间表估计
从表中删除所有缺失值,相对于CPI率(RCPI
)和失业率(UNRATE
)系列。
varnames = [<年代pan style="color:#A020F0">“RCPI”“UNRATE”];德勤= rmmissing (DataTimeTable DataVariables = varnames);
解决不规则的时间将所有日期的第一天。
dt = DTT.Time;dt = dateshift (dt,<年代pan style="color:#A020F0">“开始”,<年代pan style="color:#A020F0">“季”);德勤。时间=dt;
创建模型估计的模板
创建一个默认的VAR模型使用简写语法(4)。指定响应变量名。
p = 4;Mdl = varm (2, p);Mdl.SeriesNames=varnames;
合适的模型数据
估计模型。通过整个时间表德勤
。默认情况下,估计
选择响应变量Mdl.SeriesNames
适合的模型。或者,您可以使用ResponseVariables
名称-值参数。
德勤EstMdl =估计(Mdl);
准备条件估计模型的预测
经济学家假设假设失业率将在未来15个季度为6%。
创建一个时间表以下品质:
时间戳是定期对估计样本时间戳,下令从2009年第二季度到2012年第四季度。
的变量
RCPI
(,因此,所有其他变量德勤
)是一个15-by-1向量的南
值。的变量
UNRATE
是一个15-by-1向量,其中每个元素是6。
numperiods = 15;fhdt = DTT.Time(结束)+ calquarters (1: numperiods);fhdt DTTCondF =调整时间(德勤,<年代pan style="color:#A020F0">“fillwithmissing”);DTTCondF。UNRATE=在es(numperiods,1)*6;
DTTCondF
是遵循直接15-by-15时间表,随着时间的推移,来自哪里德勤
,时间表有相同的变量。所有变量在DTTCondF
包含南
值,除了UNRATE
组成的,这是一个向量的值6。
计算条件估计模型的预测
预期CPI增长的假设通过提供条件的数据DTTCondF
并指定响应变量名。供应估计样本作为presample初始化模型。
rng (1)<年代pan style="color:#228B22">%的再现性德勤,Tbl2 =预测(EstMdl numperiods抽样= DTTCondF,<年代pan style="color:#0000FF">…ResponseVariables = EstMdl.SeriesNames);大小(Tbl2)
ans =<年代pan class="emphasis">1×215日17
idx = endsWith (Tbl2.Properties.VariableNames,<年代pan style="color:#A020F0">“_Responses”);头(Tbl2 (:, idx))
时间RCPI_Responses UNRATE_Responses ___________ Q2-09 _____ * * * -0.0018704 -0.0035362 0.0066157 6 Q3-09 -0.0061302 6 Q4-09 6 Q1-10 6 Q2-10 3.7558 e-05 6 Q3-10 0.003859 6 Q4-10 0.002009 6 Q1-11 0.0033291 6
Tbl2
是所有变量的15-by-17时间表DTTCondF
和RCPI
预测给定UNRATE
在接下来的15个季度6%。RCPI_Responses
包含预测的路径。UNRATE_Responses
是一个向量组成的价值6。所有其他变量Tbl2
变量及其值吗DTTCondF
。
情节CPI增速预测最后的一些值估计样本数据。
图h1 =情节(DTT.Time ((end-30):结束),DTT.RCPI ((end-30):结束);持有<年代pan style="color:#A020F0">在h2 =情节(Tbl2.Time Tbl2.RCPI_Responses);参照线(Tbl2.Time (1),<年代pan style="color:#A020F0">“r——”线宽= 2)<年代pan style="color:#A020F0">从标题(<年代pan style="color:#A020F0">“RCPI预测”)传说([h1 h2 (1)]、[<年代pan style="color:#A020F0">“观察”“预测”),<年代pan style="color:#0000FF">…位置=<年代pan style="color:#A020F0">“最佳”)
返回多个条件预测路径
计算条件VAR模型的预测返回响应的时间表和创新从无条件的模拟,经济学家做出一些假设的价值失业率的预测地平线1年。
加载Data_USEconModel
数据集。预处理反应变量。
负载<年代pan style="color:#A020F0">Data_USEconModelDataTimeTable。RCPI =[南;price2ret (DataTimeTable.CPIAUCSL)];
准备评估的时间表。
varnames = [<年代pan style="color:#A020F0">“RCPI”“UNRATE”];德勤= rmmissing (DataTimeTable DataVariables = varnames);dt = DTT.Time;dt = dateshift (dt,<年代pan style="color:#A020F0">“开始”,<年代pan style="color:#A020F0">“季”);德勤。时间=dt;
估计VAR模型(4)。
p = 4;Mdl = varm (2, p);Mdl.SeriesNames=varnames; EstMdl = estimate(Mdl,DTT);
考虑生成几个CPI增长速度的预测路径假设失业率为1%,4%,5%,8%,10%在整个预测地平线。
创建一个时间表以下品质:
时间戳是定期对估计样本时间戳和他们订购了从2009年到2010年第一季度,第二季度。
的变量
UNRATE
是一个4 * 5矩阵,每一列是由每一个假设的价值预测地平线的失业率;第一列的元素都是1,第二列的元素是4,等等。的变量
RCPI
是一个4 * 5矩阵的南
充满预测路径值。所有其他变量
南
值向量。
numperiods = 4;fhdt = DTT.Time(结束)+ calquarters (1: numperiods);fhdt DTTCondF =调整时间(德勤,<年代pan style="color:#A020F0">“fillwithmissing”);DTTCondF。UNRATE=在es(numperiods,1)*[1 4 5 8 10]; DTTCondF.RCPI = nan(numperiods,width(DTTCondF.UNRATE));
DTTCondF
是遵循直接4-by-15时间表,随着时间的推移,来自哪里德勤
,时间表有相同的变量。所有变量在DTTCondF
包含南
值,除了UNRATE
,这是一个4 * 5矩阵的假设值预测失业率的地平线。
预期CPI增长的假设通过提供条件的数据DTTCondF
并指定响应变量名。供应估计样本作为presample初始化模型。回归预测均方误差矩阵。
rng (1)<年代pan style="color:#228B22">%的再现性[Tbl2, YMSE] =预测(EstMdl numperiods,德勤,抽样= DTTCondF,<年代pan style="color:#0000FF">…ResponseVariables = EstMdl.SeriesNames);大小(Tbl2)
ans =<年代pan class="emphasis">1×24 17
idx = endsWith (Tbl2.Properties.VariableNames,<年代pan style="color:#A020F0">“_Responses”);头(Tbl2 (:, idx))
时间RCPI_Responses UNRATE_Responses _____ _____________________________________________________________________ _________________________ Q2-09 0.0045044 -0.00031993 -0.001928 -0.0067524 -0.0099686 1 4 5 8 10 Q3-09 0.0087271 -0.00018729 -0.0031588 -0.012073 -0.018016 1 4 5 8 10 Q4-09 0.021614 0.012615 0.0096155 0.00061625 -0.0053833 1 4 5 8 10 Q1-10 0.0045863 0.00071227 -0.00057906 -0.0044531 -0.0070357 1 4 5 8 10
YMSE
YMSE =<年代pan class="emphasis">4×1单元阵列{2 x2双}{2 x2双}{2 x2双}{2 x2双}
Tbl2
是所有变量的4-by-17时间表DTTCondF
。的RCPI
预测,存储在变量中RCPI_Responses
是5的4 * 5矩阵预测路径。每个路径使用相应的假设关于失业率的价值UNRATE_Responses
。
YMSE
4-by-1细胞向量的预测均方误差矩阵中每一个时期预测地平线。均方误差矩阵应用于每个预测路径,每个矩阵的所有元素对应于调节变量都是0。
输入参数
numperiods
- - - - - -<年代pan itemprop="purpose">预测的时间跨度
正整数
预测地平线,或时间点在预测期的数量,指定为一个正整数。
数据类型:双
Y0
- - - - - -<年代pan itemprop="purpose">Presample响应数据
数字矩阵|<年代pan itemprop="inputvalue">数字数组
Presample响应数据预测,提供初始值指定为一个numpreobs
——- - - - - -numseries
数字矩阵或numpreobs
——- - - - - -numseries
——- - - - - -numprepaths
数字数组。使用Y0
只有当你提供可选的数据输入数字数组。
numpreobs
是presample观测的数量。numseries
反应级数的数量(Mdl.NumSeries
)。numprepaths
presample反应路径的数量。
每一行是一个presample观察和测量每一行,在所有页面,同时发生。最后一行包含最新presample观察。Y0
必须至少有Mdl.P
行。如果你提供更多不必要的行,预测
使用了最新的Mdl.P
观察。
每一列对应的响应系列名称Mdl.SeriesNames
。
页对应独立,独立的路径。
如果你计算无条件的预测(即你不指定
YF
名称-值参数),预测
初始化每个预测路径使用相应的页面(页面)Y0
。因此,输出参数Y
有numpaths
=numprepaths
页面。如果你通过指定未来响应数据计算条件的预测
YF
:预测
采取这些行动之一。如果
Y0
是一个矩阵,预测
初始化每个响应路径(页面)YF
使用相应的presample反应Y0
。因此,numpaths
路径的数量吗YF
在输出参数,所有路径Y
源于共同的初始条件。如果
YF
是一个矩阵,预测
生成numprepaths
预测路径,每个presample反应路径的初始化Y0
,但未来响应数据,预测的条件,在所有路径是一样的。因此,numprepaths
输出参数的路径数量吗Y
,所有可能路径从不同的初始条件。否则,
numpaths
之间的最小值是numprepaths
和页面的数量YF
,预测
适用于Y0 (:,:
初始化预测路径j
)
,因为j
= 1,…,j
numpaths
。
数据类型:双
Tbl1
- - - - - -<年代pan itemprop="purpose">Presample数据
表|<年代pan itemprop="inputvalue">时间表
Presample响应数据预测,提供初始值指定为一个表或时间表numprevars
变量和numpreobs
行。预测
返回预测的响应变量输出表中或时间表Tbl2
,这是符合Tbl1
。
每一行是一个presample观察和测量每一行,在所有路径,同时发生。numpreobs
必须至少Mdl.P
。如果你提供更多不必要的行,预测
使用了最新的Mdl.P
观察。
每个选择响应变量是一个numpreobs
——- - - - - -numprepaths
数字矩阵。您可以选择性地指定numseries
响应变量使用PresampleResponseVariables
名称-值参数。
路径(列)在一个特定的响应变量是独立的,但道路
所有变量对应的j
= 1,…,j
numprepaths
。下列条件适用于:
如果你计算无条件的预测(即你不指定
抽样
和ResponseVariables
名称-值参数),预测
初始化每个预测路径/响应变量使用相应的路径选择Tbl1
。因此,每个预测响应变量的输出参数Tbl2
是一个numperiods
——- - - - - -numprepaths
矩阵。如果你通过指定未来响应数据计算条件的预测
抽样
通过使用和对应的响应变量的数据ResponseVariables
,预测
采取这些行动之一。如果所选presample响应变量向量,
预测
初始化每个预测路径选择的响应变量(列)抽样
通过使用相应的presample变量Tbl1
。因此,所有路径的预测响应变量从常见的初始条件。如果选择的响应变量
抽样
是向量,预测
生成numprepaths
预测路径,路径的初始化每个选中presample响应变量Tbl1
,但未来响应数据,预测的条件,在所有路径是一样的。因此,numpaths
=numprepaths
是路径的数量在所有预测响应变量,和所有路径发展可能从不同的初始条件。否则,
numpaths
之间的最小值是numprepaths
选择和路径的数量在每一个响应变量抽样
。对于每个选定presample和未来的示例响应变量
和每个路径ResponseK
= 1,…,j
numpaths
,预测
适用于Tbl1。
初始化条件的响应数据的预测ResponseK
(:,j
)Tbl2。
ResponseK
(:,
。j
)
如果Tbl1
是一个时间表,所有下列条件必须是真实的:
Tbl1
必须代表一个样本与正则datetime时间步(看到了吗isregular
)。输入
抽样
和Tbl1
等时间必须是一致的吗Tbl1
立即之前抽样
对采样频率和秩序。datetime向量样本的时间戳
Tbl1.Time
必须升序或降序。
如果Tbl1
是一个表,下列条件:
最后一行包含最新presample观察。
Tbl1.Properties.RowsNames
必须是空的。
抽样
- - - - - -<年代pan itemprop="purpose">未来的时间序列响应或预测数据
表|<年代pan itemprop="inputvalue">时间表
未来的时间序列响应或预测数据,指定为一个表或时间表。抽样
包含numvars
变量,包括numseries
响应变量y<年代ub>t或numpreds
预测变量x<年代ub>t模型回归组件。您可以指定抽样
只有当你指定Tbl1
。
使用抽样
在下列情况下:
执行条件模拟。您还必须提供响应变量名称中选择响应数据
抽样
通过使用ResponseVariables
名称-值参数。供应未来的预测数据无条件或有条件的模拟。提供预测数据,您必须指定预测变量名称
抽样
通过使用PredictorVariables
名称-值参数。否则,预测
忽略了模型回归组件。
每一行对应一个观察预测的时间跨度中,第一行是最早的观察,测量每一行,在所有路径,同时发生。具体地说,行
的变量j
(VariableK
抽样。
)包含观测VariableK
(j
:)
未来时期,或者j
段时间的预测。j
抽样
必须至少有numperiods
行预测地平线。如果你提供更多不必要的行,预测
只使用第一numperiods
行。
每个选择响应变量是一个数字矩阵。对于每个选定的反应变量
列是独立的,独立的路径。具体来说,路径K
响应变量的j
抓住了状态,或知识ResponseK
随着它的发展从过去presample(例如,ResponseK
Tbl1。
)进入未来。对于每个选定的反应变量ResponseK
:ResponseK
如果所选presample响应变量
Tbl1
是向量,预测
初始化每个预测路径选择的响应变量(列)抽样
通过使用相应的presample变量Tbl1
。因此,所有路径的预测响应变量输出Tbl2
从常见的初始条件。如果选择的响应变量
抽样
是向量,预测
生成numprepaths
预测路径,路径的初始化每个选中presample响应变量Tbl1
,但未来响应数据,预测的条件,在所有路径是一样的。因此,numpaths
=numprepaths
是路径的数量在所有预测响应变量,和所有路径发展可能从不同的初始条件。否则,
numpaths
之间的最小值是numprepaths
选择和路径的数量在每一个响应变量抽样
。对于每个选定presample和未来的示例响应变量
和每个路径ResponseK
= 1,…,j
numpaths
,预测
适用于Tbl1。
初始化条件的响应数据的预测ResponseK
(:,j
)Tbl2。
ResponseK
(:,
。j
)
每个预测变量是一个数值向量。所有预测变量存在于每个响应方程的回归组件和适用于所有反应路径。
如果抽样
是一个时间表,适用下列条件:
抽样
必须代表一个样本与正则datetime时间步(看到了吗isregular
)。datetime向量
InSample.Time
必须严格升序或降序。Tbl1
必须立即之前抽样
,对采样频率。
如果抽样
是一个表,下列条件:
最后一行包含最新的观测。
InSample.Properties.RowsNames
必须是空的。
的响应变量的元素抽样
可以数字标量或缺失值(显示南
值)。预测
将数字标量视为确定性提前知道未来的反应,例如,制定的政策。预测
对相应的预测响应南
值条件已知的值。必须是一个数字标量元素选择的预测变量。
默认情况下,预测
计算传统MMSE预测和预报家中小企业没有回归组件模型中(每个选定的响应变量是一个numperiods
——- - - - - -numprepaths
组成的矩阵南
值表示一个完整的缺乏知识的未来状态的响应预测地平线)。
更多细节,请参阅算法。
例子:考虑预测一条路径从一个模型组成的两个反应级数,国内生产总值
和消费者价格指数
在未来三个时期。假设您有先验知识对未来的一些值的反应,和你想预测未知的反应条件在你的知识。指定抽样
包含值,你知道,作为一个矩阵和使用南
值你不知道但是想预测。例如,抽样= array2table([2南;0.1南;南南,VariableNames = (“GDP”“CPI”))
指定你没有知识的未来价值消费者价格指数
,但是你知道国内生产总值
2、0.1和未知的时间1,2和3,分别预测地平线。
ResponseVariables
- - - - - -<年代pan itemprop="purpose">变量选择抽样
治疗反应变量y<年代ub>t
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
变量选择抽样
治疗反应变量y<年代ub>t,指定以下数据类型之一:
或细胞特征向量的向量包含字符串向量
numseries
变量名在InSample.Properties.VariableNames
一个长度
numseries
向量独特的指数(整数)变量的选择InSample.Properties.VariableNames
一个长度
numvars
逻辑向量,ResponseVariables (
选择变量j
)= true
从j
InSample.Properties.VariableNames
,总和(ResponseVariables)
是numseries
选择的变量必须是一个数字矩阵向量(单路)或(列表示多个独立路径)相同的宽度。
计算条件预测,您必须指定ResponseVariables
选择响应变量抽样
调节的数据。ResponseVariables
只适用于当你指定抽样
。
默认情况下,计算传统MMSE预测和预报家中小企业。
例子:ResponseVariables = (“GDP”“CPI”)
例子:ResponseVariables =(真的假的真的假的)
或ResponseVariable = 3 [1]
选择了第一个和第三个表变量作为响应变量。
数据类型:双
|逻辑
|字符
|细胞
|字符串
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:预测(Mdl 10 Y0, X =挂式)
返回一个数值数组,其中包含一个10年间预测反应路径Mdl
的数字矩阵presample响应数据Y0
,并指定未来的预测数据的数值矩阵的模型回归组件预测地平线挂式
。
PresampleResponseVariables
- - - - - -<年代pan itemprop="purpose">变量选择Tbl1
用于presample响应数据
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
变量选择Tbl1
用于presample数据,指定为以下数据类型之一:
或细胞特征向量的向量包含字符串向量
numseries
变量名在Tbl1.Properties.VariableNames
一个长度
numseries
向量独特的指数(整数)变量的选择Tbl1.Properties.VariableNames
一个长度
numprevars
逻辑向量,PresampleResponseVariables (
选择变量j
)= true
从j
Tbl1.Properties.VariableNames
,总和(PresampleResponseVariables)
是numseries
所选变量必须是数值向量和不能包含缺失的值(南
)。
PresampleResponseNames
不需要包含相同的名字Mdl.SeriesNames
;预测
使用选定的变量中的数据PresampleResponseVariables (
作为presamplej
)Mdl.SeriesNames (
。j
)
如果变量的数量Tbl1
匹配Mdl.NumSeries
,默认指定所有的变量Tbl1
。如果变量的数量Tbl1
超过Mdl.NumSeries
,默认匹配变量Tbl1
的名字Mdl.SeriesNames
。
例子:PresampleResponseVariables = (“GDP”“CPI”)
例子:PresampleResponseVariables =(真的假的真的假的)
或PresampleResponseVariable = 3 [1]
选择第一个和第三个表为presample数据变量。
数据类型:双
|逻辑
|字符
|细胞
|字符串
X
- - - - - -<年代pan itemprop="purpose">预测时间序列的预测数据x<年代ub>t
数字矩阵
预测时间序列的预测数据x<年代ub>t包括在模型中回归组件指定为包含一个数字矩阵numpreds
列。使用X
只有当你供应Y0
。
numpreds
预测变量的数量(大小(Mdl.Beta, 2)
)。
每一行对应一个观察预测地平线,和测量每一行同时发生。具体地说,行
(j
X (
)包含预测的观察j
:)
未来时期,或者j
段时间的预测。j
X
必须至少有numperiods
行。如果你提供更多不必要的行,预测
只使用最早的numperiods
观察。第一行包含最早的观察。预测
不使用回归组件presample时期。
每一列是一个独立的预测变量。所有预测变量存在于每个响应方程的回归组件。
预测
适用于X
每条路径(页面);也就是说,X
代表观察到的预测路径之一。
保持模型一致性预测地平线,这是一个很好的练习时指定预测预测Mdl
有一个回归组件。
默认情况下,预测
排除了回归组件,无论它的存在Mdl
。
数据类型:双
YF
- - - - - -<年代pan itemprop="purpose">未来的多元响应系列数据
数字矩阵|<年代pan itemprop="inputvalue">数字数组
未来条件预测、多元响应序列数据或数组包含指定为一个数字矩阵numseries
列。使用YF
只有当你供应Y0
。
每一行对应于观测预报的地平线,和第一行是最早的观察。具体地说,行j
在样本路径k
(YF (
)包含的响应j
:,k
)j
未来时期,或者
段时间的预测。j
YF
必须至少有numperiods
行预测地平线。如果你提供更多不必要的行,预测
只使用第一numperiods
行。
每一列对应于响应变量名Mdl.SeriesNames
。
每一个页面对应一个单独的样本路径。具体来说,路径k
(YF (:,:
)捕获状态,或知识、反应级数的发展从过去presample (k
)Y0
)进入未来。
如果
YF
是一个矩阵,预测
生成numprepaths
预测路径,每个presample反应路径的初始化Y0
,但未来响应数据,预测的条件,在所有路径是一样的。因此,numprepaths
输出参数的路径数量吗Y
,所有可能路径从不同的初始条件。如果
Y0
是一个矩阵,预测
初始化每个响应路径(页面)YF
使用相应的presample反应Y0
。因此,numpaths
路径的数量吗YF
在输出参数,所有路径Y
源于共同的初始条件。否则,
numpaths
之间的最小值是numprepaths
和页面的数量YF
,预测
适用于Y0 (:,:
初始化预测路径j
)
,因为j
= 1,…,j
numpaths
。
的元素YF
可以数字标量或缺失值(显示南
值)。预测
将数字标量视为确定性提前知道未来的反应,例如,制定的政策。预测
对相应的预测响应南
值条件已知的值。
默认情况下,YF
是一个数组组成的吗南
值表示一个完整的缺乏知识的响应预测地平线。在这种情况下,预测
传统MMSE估计预测。
更多细节,请参阅算法。
例子:考虑预测一条路径从一个模型由四个反应系列三个时期。假设您有先验知识对未来的一些值的反应,和你想预测未知的反应条件在你的知识。指定YF
包含值,你知道,作为一个矩阵和使用南
值你不知道但是想预测。例如,YF =[南2 5南;南南0.1南;南南南南)
指定你没有知识的第一和第四的未来值响应系列;你知道时期1的值在第二反应级数,但没有其他的价值;你知道时间的值1和2在第三系列反应,但不是时期3的值。
数据类型:双
PredictorVariables
- - - - - -<年代pan itemprop="purpose">变量选择抽样
治疗作为外生变量预测指标x<年代ub>t
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
变量选择抽样
治疗作为外生变量预测指标x<年代ub>t指定为下列数据类型之一:
或细胞特征向量的向量包含字符串向量
numpreds
变量名在InSample.Properties.VariableNames
一个长度
numpreds
向量独特的指数(整数)变量的选择InSample.Properties.VariableNames
一个长度
numvars
逻辑向量,PredictorVariables (
选择变量j
)= true
从j
InSample.Properties.VariableNames
,总和(PredictorVariables)
是numpreds
无论如何,选择的预测变量
对应的系数j
Mdl.Beta (:,
。j
)
PredictorVariables
只适用于当你指定抽样
。
所选变量必须是数值向量和不能包含缺失的值(南
)。
默认情况下,预测
排除了回归组件,无论它的存在Mdl
。
例子:PredictorVariables = [“M1SL”“TB3MS”“UNRATE”]
例子:PredictorVariables =(真的假的真的假的)
或PredictorVariable = 3 [1]
选择了第一个和第三个表变量作为响应变量。
数据类型:双
|逻辑
|字符
|细胞
|字符串
请注意
南
值Y0
和X
显示缺失值。预测
从数据中删除缺失值list-wise删除。如果Y0
是一个三维数组,然后呢预测
执行这些步骤。横向连接形成一个页面
numpreobs
——- - - - - -numpaths * numseries
矩阵。包含至少一个删除任何行
南
连续数据。
失踪的观察,从多条路径的结果
Y0
可以从每个路径不同于获得的结果。缺失值的
X
,预测
从每个页面的删除相应的行YF
。行删除后X
和YF
,如果小于的行数numperiods
,然后预测
抛出一个错误。预测
问题当选择响应变量从一个错误Tbl1
和选择的预测变量抽样
包含任何缺失值。
输出参数
Y
- MMSE预测的多元反应级数
数字矩阵|数字数组
MMSE预测的多元反应系列,作为一个返回numobs
——- - - - - -numseries
数字矩阵或numobs
——- - - - - -numseries
——- - - - - -numpaths
数字数组。预测
返回Y
只有当你供应presample数据Y0
作为一个数字矩阵或数组。
Y
代表了presample反应的延续Y0
。
每一行是一个时间点的模拟。具体地说,行j
包含了j
段时间的预测。连续值,在所有页面,同时发生。最后一行包含最新的预测价值。
每一列对应的响应系列名称Mdl.SeriesNames
。
页面对应分开,独立预测路径。
如果您指定未来反应条件预测使用YF
名称-值参数,已知的值YF
出现在相同的位置Y
。然而,Y
包含预测的值丢失的观察YF
。
Tbl2
- MMSE预测的多元反应级数和其他变量
表|时间表
MMSE多元反应级数和其他变量的预测,作为一个表或时间表,返回相同的数据类型Tbl1
。预测
返回Tbl2
只有当你提供输入Tbl1
。
Tbl2
包含以下变量:
在预测的反应路径
numperiods
选择响应的长度预测地平线系列y<年代ub>t。每个预测变量的反应Tbl2
是一个numperiods
——- - - - - -numpaths
数字矩阵,numpaths
取决于反应路径的数量在指定presample或未来(参见示例数据Tbl1
或抽样
)。每一行对应一个时间预测地平线和每一列对应一个单独的路径。预测
预测响应变量名称ResponseK
。例如,如果ResponseK
_ResponsesMdl.Series (
是K
)国内生产总值
,Tbl2
为相应的预测响应包含一个变量的名字GDP_Responses
。如果您指定ResponseVariables
,
是ResponseK
ResponseVariable (
。否则,K
)
是ResponseK
PresampleResponseVariable (
。K
)如果您指定
抽样
未来,所有指定响应变量。
如果Tbl2
是一个时间表,下列条件:
行顺序
Tbl2
升序或降序,匹配的行顺序抽样
当你指定它。如果你不指定抽样
行顺序Tbl2
行顺序是一样的吗Tbl1
。如果您指定
抽样
行次Tbl2.Time
是InSample.Time (1: numperiods)
。否则,Tbl2.Time (1)
后下次Tbl1(结束)
相对的采样频率Tbl2.Time (2: numperiods)
是相对于采样频率以下的时期。
YMSE
——MSE矩阵预测反应
单元格数值矩阵的向量
均方误差矩阵的预测反应,作为一个返回numperiods
1细胞向量numseries
——- - - - - -numseries
数字矩阵。细胞的YMSE
构成的时间序列预测误差协方差矩阵。细胞j
包含了j
今后一段时间将MSE矩阵。
YMSE
对于所有路径是一样的。
因为预测
对预测变量X
外生和non-stochasticYMSE
反映了误差协方差与自回归相关组件的输入模型Mdl
只有。
算法
预测
估计使用方程无条件的预测在哪里t= 1,…,
numperiods
。预测
过滤器的numperiods
——- - - - - -numseries
通过矩阵的新鲜感创新Mdl
。预测
使用指定的presample创新(Y0
或Tbl1
)必要的地方。预测
使用卡尔曼滤波器估计条件的预测。的方式
预测
决定了numpaths
的路径(页面)的输出参数Y
或路径的数量(列)的预测响应变量的输出参数Tbl2
,取决于预测类型。如果你估计无条件的预测,这意味着你不指定
YF
名称-值参数,或抽样
和ResponseVariables
名称-值参数,numpaths
的路径吗Y0
或Tbl1
输入参数。如果你估计条件预测和presample数据
Y0
和未来的样本数据YF
,或者响应变量Tbl1
和抽样
有多个路径,numpaths
presample之间最少的路径和未来的示例响应数据。因此,预测
只使用第一numpaths
为每个输入路径的每个响应变量。如果你条件的预测和估计
Y0
或YF
,或者响应变量Tbl1
或抽样
一条路,numpaths
在数组的页面数量最多的页面。预测
使用变量与一个路径产生每个输出路径。
预测
设置时间起源的模型,包括线性时间趋势t0来numpreobs
- - - - - -Mdl.P
(在删除缺失值),numpreobs
是presample观测的数量。因此,组件是时代的趋势t=t0+ 1,t0+ 2,…,t0+numpreobs
。本公约的默认行为是一致的模型估计中估计
删除第一个Mdl.P
反应,减少了有效的样本大小。虽然预测
显式地使用第一Mdl.P
presample反应Y0
或Tbl1
初始化模型,可用观测确定的总数t0。一个观察Y0
是可用的如果它不包含南
。
引用
[1]<年代pan>汉密尔顿,詹姆斯D。时间序列分析。普林斯顿,纽约:普林斯顿大学出版社,1994年。
[2]<年代pan>约翰森,S。基于可能性推理在共合体向量自回归模型。牛津:牛津大学出版社,1995年。
[3]<年代pan>Juselius, K。共合体VAR模型。牛津:牛津大学出版社,2006年。
[4]<年代pan>Lutkepohl, H。新的多元时间序列分析的介绍。柏林:施普林格出版社,2005年。
版本历史
介绍了R2017a
另请参阅
对象
功能
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。万博1manbetx
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。