主要内容
适合VAR模型来模拟数据
这个例子从任意三维模拟数据VAR(2)模型,并符合一个VAR(2)模型来模拟数据。
创建以下VAR模型。
是一个三维标准正态随机变量和 3 x3的单位矩阵。
常数= [1;0.5;-0.5);AR1 = [0.3 -0.1 0.05;0.1 0.2 0.1;-0.1 0.2 0.4);AR2 = [0.1 0.05 0.001;0.001 0.1 0.01;-0.01 -0.01 0.2);趋势= (0.5; -0.2; 0]; L = eye(3); TrueMdl = varm(“不变”常数,基于“增大化现实”技术的{AR1 AR2},“趋势”的趋势,…协方差的L);
TrueMdl是一个完全指定的varm模型对象,这意味着其相应的VAR(2)模型的所有参数是已知的。
生成时间序列长度为100的道路使用模拟。
rng (1);%的再现性numobs = 100;Y =模拟(TrueMdl numobs);
创建一个3 d VAR(2)模型估计的模板。指定组件的存在线性趋势。
Mdl = varm (3,2);Mdl。趋势=南(Mdl.NumSeries, 1);
Mdl是一个varm为评估模型对象作为模板。
符合VAR模型的模拟数据通过调用估计。
EstMdl =估计(Mdl Y);
EstMdl是一个完全指定,估计varm模型对象。98因为估计样本容量估计需要2 presample观察初始化。
估计模型与真实模型进行比较。
结果=总结(EstMdl)
结果=结构体字段:描述:“AR-Stationary三维VAR(2)模型与线性时间趋势”SampleSize: 98 NumEstimatedParameters: 24 LogLikelihood: -396.0032 AIC: 840.0063 BIC: 902.0456表:[24 x4表]协方差:[3 x3双]相关:[3 x3的两倍)
Lhat =胆固醇(EstMdl.Covariance,“低”)
Lhat =3×30.9632 0 0 0 0.0337 -0.0190 0.8755 -0.0926 - 0.9555
trueValues =[常数;AR1 (:);AR2 (:);趋势);compCoeff = abs (results.Table。价值——trueValues);twoSE = compCoeff > 2 * results.Table.StandardError
twoSE =24 x1逻辑阵列1 0 0 0 0 0 0 0 0 0⋮
的估计l很近的,创新规模矩阵,在级单位矩阵。只在第一反应级数估计常数两个标准错误进一步从它的真正价值。
