过滤推理经建会特工潜伏状态的动态回归数据
从两国经建会动态计算过滤状态概率回归模型的一维反应过程。这个示例使用任意参数的值的数据生成过程(文章)。
为文章创建完全指定的模型
创建一个两国并存的离散时间马尔可夫链模型的转换机制。
P = [0.9 - 0.1;0.2 - 0.8);mc = dtmc (P);
mc
是一个完全指定的dtmc
对象。
对于每个国家,创建一个基于“增大化现实”技术(0)(常数)模型的响应过程。将模型存储在一个向量。
mdl1 = arima (“不变”2,“方差”3);mdl2 = arima (“不变”2,“方差”1);mdl = [mdl1;mdl2];
mdl1
和mdl2
完全指定的华宇电脑
对象。
创建一个经建会动态回归模型的转换机制mc
和子的向量mdl
。
Mdl = msVAR (mc, Mdl);
Mdl
是一个完全指定的msVAR
对象。
模拟数据的文章
过滤器
需要响应计算过滤状态概率。生成一个随机响应和状态路径,从文章的长度30。
rng (1000);%的再现性(y, ~, sp) =模拟(Mdl 30);
计算状态概率
从经建会模型计算过滤和平滑状态概率模拟响应数据。
fs =过滤器(Mdl y);党卫军=光滑(Mdl y);
fs
和党卫军
是30-by-2过滤和平滑状态概率矩阵,分别为每个时期模拟地平线。虽然过滤状态概率t
(fs (
t
:)
通过时间)是基于响应数据t
(y (1:
t
)
),平滑状态概率t
(党卫军(t):)
)是基于所有的观察。
画出模拟路径和过滤和平滑状态概率在同一图。
图绘制(sp,“米”)举行在情节(fs (:, 2),“r”)情节(ss (:, 2),‘g’)yticks([0 1 2])包含(“时间”)标题(“观察状态用估计状态概率”)({传奇“模拟状态”,“过滤概率:状态2”,…的平滑概率:状态2})举行从
考虑两国经建会动态回归模型的战后美国实际GDP增长率。模型中给出的参数估计[1]。
创建经建会动态回归模型
创建一个完全指定的离散时间马尔可夫链模型,描述了政权转换机制。标签的政权。
P = [0.92 - 0.08;0.26 - 0.74);mc = dtmc (P,“StateNames”,(“扩张”“衰退”]);
创建单独的、完全指定两个政权的AR(0)模型。
σ= 3.34;跨州%同方差的模型mdl1 = arima (“不变”,4.62,“方差”σ^ 2);mdl2 = arima (“不变”,-0.48,“方差”σ^ 2);mdl = [mdl1 mdl2];
创建经建会动态回归模型的转换机制mc
针对各州具体情况和子mdl
。
Mdl = msVAR (mc, Mdl);
Mdl
是一个完全指定的msVAR
对象。
加载和数据预处理
载入美国GDP数据集。
负载Data_GDP
数据
包含我们的季度测量实际GDP在1947 q1 - 2005: Q2。兴趣的时期[1]1947:- 2004:沿。更详细的数据集,输入描述
在命令行中。
转换数据的年率系列:
将数据转换为一个季度评估期内
按年计算季度利率
qrate = diff(数据(2:230)。/数据(2:229);季度率%arate = 100 * ((1 + qrate)。^ 4 - 1);%折合成年率
转换滴第一次观察到。
计算过滤状态概率
计算过滤状态概率的数据和模型。
FS =过滤器(Mdl arate);FS(最终,:)
ans =1×20.9396 - 0.0604
FS
是由- 2 228 -过滤状态概率矩阵。行对应时期的数据arate
,列对应的制度。
情节的过滤概率衰退,如[1],图6所示。
图;情节(日期(3:230),FS (:, 2),“r”)datetick (“x”)标题(“当前过滤概率和NBER衰退”)recessionplot
计算平滑状态概率
计算平滑状态概率,然后画出平滑概率的衰退[1],图6所示。
党卫军=平滑(Mdl arate);图绘制(日期(3:230),学生(:,2),“r”)datetick (“x”)recessionplot标题(“充分样本平滑概率和NBER衰退”)
计算过滤状态概率从一个三态经建会动态回归模型为二维VARX响应过程。这个示例使用任意文章的参数值。
为文章创建完全指定的模型
创建一个三态离散时间马尔可夫链模型切换机制。
P = [5 1 1;1 5 1;1 1 5];mc = dtmc (P);
mc
是一个完全指定的dtmc
对象。dtmc
规范化的行P
所以他们总和1
。
对于每个国家,创建一个完全指定VARX(0)模型(仅常数和回归系数矩阵)的响应过程。指定不同的常数向量模型。指定相同的两个解释变量的回归系数,并指定相同的协方差矩阵。VARX模型存储在一个向量。
%的常量C1 = (1, 1);C2 = [3; 3);C3 = (5; 5);%回归系数β= (0.2 - 0.1;-0.3 0);%的协方差矩阵σ= [1.8 - -0.4;-0.4 - 1.8);% VARX子mdl1 = varm (“不变”C1,“β”,β,…协方差的σ);mdl2 = varm (“不变”C2,“β”,β,…协方差的σ);mdl3 = varm (“不变”C3,“β”,β,…协方差的σ);mdl = [mdl1;mdl2;mdl3];
mdl
包含三个完全指定的varm
模型对象。
的文章,创建一个完全指定经建会动态回归模型的切换机制mc
和子mdl
。
Mdl = msVAR (mc, Mdl);
Mdl
是一个完全指定的msVAR
模型。
模拟数据的文章
模拟数据的两个外生系列通过生成30观测标准二维高斯分布。
rng (1)%的再现性2 X = randn(30日);
生成一个随机响应和状态路径,从文章的长度30。指定子模型回归模拟外生数据组件。
(Y, ~, SP) =模拟(Mdl 30“X”,X);
Y
是一个30-by-2矩阵的模拟反应路径。SP
是一个30-by-1向量的一个模拟状态的路径。
计算状态概率
计算过滤和平滑的状态概率从文章给出模拟响应数据。
FS =过滤器(Mdl Y“X”,X);党卫军=平滑(Mdl Y“X”,X);
FS
和党卫军
是30-by-2过滤和平滑状态概率矩阵,分别为每个时期模拟地平线。
画出模拟路径和过滤和平滑状态概率的次要情节相同的图。
图次要情节(3、1、1)的阴谋(SP,“米”)yticks((1 2 3))({传奇“模拟状态”})次要情节(3、1、2)情节(FS,“——”)({传奇“过滤s1 ','过滤s2 ',“过滤s3”})次要情节(3,1,3)情节(党卫军,“- - -”)({传奇“平滑s1 ','平滑s2 ',“平滑s3”})
考虑到数据计算过滤概率的衰退感兴趣的,但假设时期是1960:q1 - 2004: Q2。同时,可以考虑添加一个自回归项每个子模型。
创建部分指定模型估计
创建一个部分指定经建会动态回归模型的估计。指定AR(1)的子。
P =南(2);mc = dtmc (P,“StateNames”,(“扩张”“衰退”]);mdl = arima (1,0,0);Mdl = msVAR (mc, [Mdl;mdl));
因为子AR(1),每个需要一个presample观察初始化其估计的动态组件。
创建完全指定模型包含初始值
创建包含初始参数值的模型估计过程。
mc0 = dtmc (0.5 * 1 (2),“StateNames”,(“扩张”“衰退”]);submdl01 = arima (“不变”,1“方差”,1基于“增大化现实”技术的,0.001);submdl02 = arima (“不变”,1“方差”,1基于“增大化现实”技术的,0.001);Mdl0 = msVAR (mc0 [submdl01;submdl02]);
加载和数据预处理
加载数据。把整个设置为一个折合成年率系列。
负载Data_GDPqrate = diff(数据)。/数据(1:结束(- 1));arate = 100 * ((1 + qrate)。^ 4 - 1);
识别presample并估计样本时期使用的日期与折合成年率系列。因为转换适用于第一个区别,必须从原样品第一次观察到的日期。
日期= datetime(日期(2:结束),“ConvertFrom”,“datenum”,…“格式”,“yyyy QQQ”,“场所”,“en_US”);estPrd = datetime ([“1960:第二季”“2004:第二季”),“InputFormat”,“yyyy QQQ”,…“格式”,“yyyy QQQ”,“场所”,“en_US”);idx = isbetween(日期、estPrd (1) estPrd (2));idxPre =日期< (estPrd (1);
估计模型
适合的模型估计样本数据。指定presample观察。
arate0 = arate (idxPre);arateEst = arate (idx);EstMdl =估计(Mdl Mdl0 arateEst,“Y0”,arate0);
EstMdl
是一个完全指定的msVAR
对象。
计算状态概率
计算过滤和平滑状态概率估计模型和数据的估计。指定presample观察。情节衰退的概率估计的次要情节相同的图。
FS =过滤器(EstMdl arateEst,“Y0”,arate0);党卫军=平滑(EstMdl arateEst,“Y0”,arate0);图;次要情节(2,1,1)情节(日期(idx), FS (:, 2),“r”)标题(“当前过滤概率和NBER衰退”)recessionplot次要情节(2,1,2)情节(日期(idx),学生(:,2),“r”)标题(“充分样本平滑概率和NBER衰退”)recessionplot
考虑的模型和数据计算过滤概率的衰退。
创建指定的完全经建会模型。
P = [0.92 - 0.08;0.26 - 0.74);mc = dtmc (P,“StateNames”,(“扩张”“衰退”]);σ= 3.34;mdl1 = arima (“不变”,4.62,“方差”σ^ 2);mdl2 = arima (“不变”,-0.48,“方差”σ^ 2);mdl = [mdl1;mdl2];Mdl = msVAR (mc, Mdl);
加载和数据进行预处理。
负载Data_GDPqrate = diff(数据(2:230)。/数据(2:229);arate = 100 * ((1 + qrate)。^ 4 - 1);
计算过滤状态概率和loglikelihood数据和模型。
[FS, logL] =过滤器(Mdl arate);logL
logL = -640.3016
Y
- - - - - -观察到的响应数据观察到的响应数据,指定为一个numObs
——- - - - - -numSeries
数字矩阵。
numObs
是样本容量。numSeries
响应变量的数量(Mdl.NumSeries
)。
行对应于观测,最后一行包含最新的观测。列对应单个响应变量。
Y
代表presample响应系列的延续Y0
。
数据类型:双
指定可选的逗号分隔条名称,值
参数。的名字
参数名称和吗价值
相应的价值。的名字
必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家
。
Y0, Y0, X, X
初始化每个子模型的动态组件Mdl
通过使用presample响应数据Y0
在每个子模型,包括线性回归组件组成的预测数据X
和指定的回归系数。
Y0
- - - - - -Presample响应数据Presample响应数据,指定为逗号分隔组成的“Y0”
和一个numPreSampleObs
——- - - - - -numSeries
数字矩阵。
presample观测的数量numPreSampleObs
必须足够的初始化的基于“增大化现实”技术条款所有的子。如果numPreSampleObs
超过任何国家的基于“增大化现实”技术的顺序,过滤器
使用最新的观测。默认情况下,Y0
是初始段的Y
,这减少了有效的样本大小。
数据类型:双
S0
- - - - - -初始状态概率初始状态概率,指定为逗号分隔组成的“S0”
和一个非负数字向量的长度numStates
。
过滤器
规范化S0
产生一个分布。
默认情况下,S0
是一个稳态分布计算渐近
。
例子:“S0”, 0.2 0.2 0.6
例子:“S0”, [0 1]
指定状态2为初始状态。
数据类型:双
X
- - - - - -预测数据预测数据用来评估回归的所有的子组件Mdl
,指定为逗号分隔两人组成的“X”
细胞和一个数字矩阵或向量的数值矩阵。
使用相同的一个子集预测在每个州,指定X
作为一个矩阵numPreds
列,至少numObs
行。列对应不同的预测变量。子用关联矩阵的列,在秩序,子模型预测的数量。列的数量β
的属性Mdl.SubModels (
确定的外生变量回归组件的子模型j
)
。如果超过的行数j
numObs
,然后过滤器
使用最新的观测。
使用不同的预测在每个州,指定一个细胞这样的矩阵和向量numStates
。
默认情况下,过滤器
忽略了回归组件Mdl
。
数据类型:双
[1]萧韦,M。,和J. D. Hamilton. "Dating Business Cycle Turning Points." In商业周期的非线性分析(276年对经济分析的贡献,体积)。(c .米拉·罗斯曼和d·冯·eds)。阿姆斯特丹:翡翠集团出版有限公司,2006年。
[2]汉密尔顿,j . D。“经济分析的一种新方法的非平稳时间序列和商业周期”。费雪。57卷,1989年,页357 - 384。
[3]汉密尔顿,j . D。“分析的时间序列的变化机制。”计量经济学杂志。45卷,1990年,页39 - 70。
[4]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。
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:
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。