估计

拟合向量自回归(VAR)模型到数据

页面上倒塌

语法

EstMdl =估计(Mdl, Y)
estmdl =估计（mdl，y，名称，值）
[EstMdl, EstSE] =估计(＿＿＿）
[EstMdl EstSE logL E] =估计(＿＿＿）

描述

例子

estmdl.=估计(MDL.，Y）返回完全指定的var（p)模型。该模型存储拟合VAR(p） 模型MDL.到观察到的多变量响应系列Y使用最大可能性。

例子

estmdl.=估计(MDL.，Y，名称,值）使用一个或多个名称值对参数指定的其他选项。例如，您可以指定预先响应或外源性预测器数据。

例子

［estmdl.，est] =估计（＿＿＿）使用先前语法中的任何输入参数返回估计的参数的估计渐近标准误差。

例子

［estmdl.，est，logl.，E] =估计（＿＿＿）返回优化的loglikeliach目标函数值（logl.）多变量残差（E）.

例子

全部折叠

打开直播脚本

拟合一个VAR(4)模型到消费者价格指数(CPI)和失业率数据。

加载Data_USEconModel数据集。

负载Data_USEconModel

在单独的情节上绘制两个系列。

数字;绘图（DataTable.Time，DataTable.cpiaUcsl）;标题（'消费者价格指数'）;ylabel ('指数'）;包含(“日期”）;

数字;绘图（DataTable.Time，DataTable.unrate）;标题（'失业率'）;ylabel ('百分'）;包含(“日期”）;

将其转化为一系列增长率来稳定CPI。通过从失业率系列中移除第一次观察来同步两系。

rcpi = price2ret (DataTable.CPIAUCSL);unrate = DataTable.UNRATE(2:结束);

使用简写语法创建默认VAR(4)模型。

Mdl = varm(2、4)
MDL = VARM具有属性：描述：“二维var（4）型号”系列“系列：”Y1“”Y2“NumSeries：2 P：4常数：[2×1纳米矢量] AR：{2×2矩阵NANS}在滞后[1 2 3 ......和更多]趋势：[2×1零载体] BETA：[2×0矩阵]协方差：[2×2矩阵的NAN]

MDL.是A.varm.模型对象。包含的所有属性南值对应于要估计给定数据的参数。

使用整个数据集估算模型。

Estmdl =估计（MDL，[RCPI Unverate]）
estmdl =具有属性的Varm：描述：“Ar-instary二维var（4）型号”系列“：”Y1“”Y2“NumSeries：2 P：4常数：[0.00171639 0.316255]'AR：{2×2矩阵}在滞后[1 2 3 ...和1更多]趋势：[2×1 Zeros载体] Beta：[2×0矩阵]协方差：[2×2矩阵]

estmdl.是估计的varm.模型对象。它是完全指定的，因为所有参数都具有已知值。描述表明自回归多项式是静止的。

显示估算中的摘要统计信息。

总结(EstMdl)
AR-固定式二维VAR（4）型号有效样品尺寸：241估计参数数量：18 loglikelihie：811.361 AIC：-1586.72 BIC：-1524值标准误流Tstatistic Pvalue _________________________________常数（1）0.0017164 0.0015988 1.0735 0.28303常数（2）0.31626 0.091961 3.439 0.0005838 AR {1}（1,1）0.30899 0.063356 4.877 1.0772E-06 AR {1}（2,1）-4.4834 3.6441 -1.2303 0.21857 AR {1}（1,2）-0.0031796 0.0011306-2.8122 0.004921 AR {1}（2,2）1.3433 0.065032 20.656 8.546E-95 AR {2}（1,1）0.22433 0.069631 3.2217 0.0012741 AR {2}（2,1）7.1896 4.005 1.7951 0.072631 AR {2}（1,2）0.0012375 0.0018631 0.6642 0.50656 AR {2}（2,2）-0.26817 0.10716 -2.5025 0.012331 AR {3}（1,1）0.35333 0.068287 5.1742 2.2887E-07 AR {3}（2,1）1.487 3.92770.37858 0.705 AR {3}（1,2）0.0028594 0.0018621 1.5355 0.12465 AR {3}（2,2）-0.22709 0.1071 -2.1202 0.033986 AR {4}（1,1）-0.047563 0.069026}（1,1）-0.047563 0.069026 -0.68906 0.4906 0.4906 0.49079 AR {4}（2,1）8.6379 3.9702 2.1757 0.029579 AR {4}（1,2）-0.00096323 0.0011142 -0.86448 0.38733 AR {4}（2,2）0.076725 0.064088 1.1972 0.23123创新协方差矩阵：0.0000 -0.0002 -0.0002 0.1167创新相关矩阵：1.0000 -0.0925 -0.0925 1.0000
打开直播脚本

拟合一个VAR(4)模型到消费者价格指数(CPI)和失业率数据。估计样品在1980季度开始。

加载Data_USEconModel数据集。

负载Data_USEconModel

将其转化为一系列增长率来稳定CPI。通过从失业率系列中移除第一次观察来同步两系。

rcpi = price2ret (DataTable.CPIAUCSL);unrate = DataTable.UNRATE(2:结束);

识别与估计样本开始对应的索引。

estidx = DataTable.time（2：结束）>'1979-12-31'；

使用简写语法创建默认VAR(4)模型。

mdl = varm（2,4）;

使用估计样本估计模型。在估计样本之前指定所有观察结果作为预先数据数据。显示完整估算摘要。

Y0 = [rcpi(~estIdx) unrate(~estIdx)];[rcpi(estIdx) unrate(estIdx)]，'y0', Y0,'展示'，“满的”）;
AR-固定式二维VAR（4）型号有效样品尺寸：117估计参数数：18 LOGINIKELIHAY：419.837 AIC：-703.674 BIC：-753.955价值标准误差____________________常数（1）0.003564 0.0024697 1.4431 0.14898常数（2）0.29922 0.11882 2.5182 0.011795 AR {1}（1,1）0.092458 0.092458 0.092458 0.092458 0.092458 0.092458 0.092458 0.092458 0.24204 0.24204 0.80875 AR {1}（2,1）-2.6318 4.4484 -2.593 0.5541 AR {1}（1,2）-0.0082357 0.0020373 -4.0425 5.2884E-05 AR {1}（2,2）1.2567 0.09802 12.82 1.2601E-37 AR {2}（1,1）0.20954 0.10182 2.039581 0.039584 0.039584 AR {2}（2,1）10.106 4.8987 2.063 0.039117 AR {2}（1,2）0.0058667 0.003194 1.8368 0.066236 AR {2}（2,2）-0.14226 0.15367 -0.92571 0.35459 AR {3}（1,1）0.56095 0.098691 5.6839 1.3167E-08 AR {3}（2,1）0.44406 4.74830.093518 0.092549 AR {3}（1,2）0.0049062 0.003227 1.5204 0.12841 AR {3}（2,2）-0.040037 0.15526 -0.040037 0.15526 AR {4}（1,1）0.046125 0.11163 0.041321 0.67945 AR {4}（2，1）6.758 5.3707 1.2583 0.20827 AR {4}（1,2）-0.0030032 0.002018 -1.4882 0.1367 AR {4}（2，2）-0.14412 0.097094 -1.4843 0.13773创新协方差矩阵：0.0000 -0.0003 -0.0003 0.0790创新相关矩阵：1.0000 -0.1686 -0.1686 1.0000

因为VAR模型学位p是4,估计仅使用最后四个观察y0.作为预先存在。

打开直播脚本

估计消费者价格指数（CPI），失业率和实际国内生产总值（GDP）的var（4）模型。包括包含当前季度和政府消费支出和投资（GCE）的最后四个季度的线性回归分量。

加载Data_USEconModel数据集。计算真正的GDP。

负载Data_USEconModel数据表。RGDP = DataTable.GDP. / DataTable.GDPDEF * 100;

在单独的图中绘制所有变量。

数字;子图（2,2,1）绘图（DataTable.Time，DataTable.cpiaUcsl）;ylabel ('指数'）;标题（'消费者价格指数'）;子图（2,2,2）绘图（DataTable.Time，DataTable.unrate）;ylabel ('百分'）;标题（'失业率'）;次要情节(2,2,3)情节(DataTable.Time DataTable.RGDP);ylabel ('输出'）;标题（“实际国内生产总值”）子图（2,2,4）绘图（DataTable.Time，DataTable.gce）;ylabel (“数十亿美元”）;标题（'政府支出'）

通过将每个增长率转换为一系列增长率来稳定CPI，GDP和GCE系列。通过去除第一次观察，将失业率系列与其他人同步。

数据源= {“CPIAUCSL”'rgdp'“全球教育运动”};数据= varfun（@ price2ret，dataTable，“数据源”，inputvariables）;data.properties.variablenames = inputvariables;data.unrate = dataTable.unrate（2：结束）;

将GCE速率系列展开到包含其当前值和四个滞后值的矩阵。去除那个格索变量从数据．

rgcelag4 = lagmatrix（data.gce，0：4）;data.gce = [];

使用简写语法创建默认VAR(4)模型。在创建模型时，您不必指定回归组件。

mdl = varm（3,4）;

使用整个样本估计模型。指定GCE比率矩阵作为回归组件的数据。提取标准误差和对数似然值。

[estmdl，estse，logl] =估计（mdl，data.variables，“X”，rgcelag4）;

显示回归系数矩阵。

estmdl.beta.
ans =3×50.0777 -0.0892 -0.0685 -0.0181 0.0330 0.1450 -0.0304 0.0579 -0.0559 0.0185 -2.8138 -0.1636 0.3905 1.1799 -2.3328

estmdl.beta.是一个3×5矩阵。行对应于响应系列，列对应于预测器。

显示与系数估计相对应的标准误差矩阵。

Estse.beta.
ans =3×50.0250 0.0272 0.0275 0.0274 0.0243 0.040 0.0401 0.0405003 0.0358 1.4552 1.5841 1.6028 1.5918 1.4145

Estse.beta.是符合estmdl.beta.．

显示loglikeliach值。

logl.
logl = 1.7056e + 03

输入参数

全部折叠

var模型包含未知参数值，指定为avarm.返回的模型对象varm.．

南属性中的-值元素表示未知的、可估计的参数。指定的元素表示模型估计中参数的相等约束。创新协方差矩阵mdl.coomariance.不能包含混合的南价值观和实数;您必须完全指定协方差或必须完全未知（南（MDL.Numseries））.

观察到多变量响应系列估计适合模型，指定为anumobs.-经过-numseries.数字矩阵。

numobs.为样本量。numseries.是响应变量的数量（Mdl。NumSeries）.

行对应于观察值，最后一行包含最新的观察值。

列对应于单个响应变量。

Y中样本前响应序列的延续y0.．

数据类型：双倍的

名称-值对的观点

指定可选的逗号分隔的对名称,值论点。名称参数名和价值是相应的价值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子：Y0, Y0, X, X使用矩阵y0.作为估计所需的预样响应，并包括一个由预测数据组成的线性回归组件X．

预先响应启动模型估计，指定为包括的逗号分隔对'y0'A.numpreobs-经过-numseries.数字矩阵。

numpreobs为前样本观察数。

行对应于样本前的观察，最后一行包含最新的观察。y0.必须至少mdl.p.行。如果您提供比必要更多的行，估计使用了最新的mdl.p.观察。

列必须对应于中的响应序列Y．

默认情况下，估计用途Y（1：mdl.p，:)作为预先观察，然后拟合模型Y（（mdl.p + 1）：结束，:)．这个动作减少了有效的样本量。

数据类型：双倍的

用于模型中的回归分量的预测数据，指定为逗号分隔对组成“X”和一个包含的数字矩阵麻木列。

麻木是预测变量的数量。

行对应于观察值，最后一行包含最新的观察值。估计不使用前样本期间的回归组件。X必须至少有许多观察结果，如预先样期后使用。

  • 如果您指定y0.,然后X必须至少numobs.行（参见Y）.

  • 否则，X必须至少numobs.- - - - - -mdl.p.观察，以解释预先删除。

在任何一种情况下，如果您提供比必要的更多行，估计仅使用最新的观察。

列对应于单个预测变量。所有预测变量都存在于每个响应方程的回归分量中。

默认情况下，估计不包括回归分量，无论其存在如何MDL.．

数据类型：双倍的

估计信息显示类型，指定为逗号分隔对组成'展示'和这个表中的值。

价值 描述
“离开” 估计在命令行中不显示估计信息。
“桌子” 估计显示估计信息表。行对应于参数，列对应于估计，标准错误，t统计，统计p价值观。
“满的” 除了汇总统计数据的表格，估计显示估计的创新协方差和相关矩阵、对数似然值、赤池信息准则(AIC)、贝叶斯信息准则(BIC)等估计信息。

例子：“显示”,“全部”

数据类型：细绳|char

允许的最大求解器迭代次数指定为包含的逗号分隔对“MaxIterations”和一个正数标量。

估计分派MaxIterations到mvregress.．

数据类型：双倍的

请注意

南价值Y，y0.， 和X表示缺失的值。估计通过列表删除从数据中删除缺失的值。

  • 对于预先来说，估计删除包含至少一个字符的任何行南．

  • 对于估计样本，估计删除任何行的连接数据矩阵[y x]包含至少一个南．

这种类型的数据缩减减少了有效的样本量。

输出参数

全部折叠

估计VAR (p)模型，返回为varm.模型对象。estmdl.是完全指定的varm.模型。

估计，估计参数的渐近标准误差，作为包含此表中的字段的结构数组返回。

场 描述
常数 与估计相对应的模型常量的标准误差EstMdl。常数,一个numseries.1数字矢量
基于“增大化现实”技术 对应于估计的自回归系数的标准误差estmdl.ar.ar.的单元格向量，其元素对应于estmdl.ar.ar.
bet 中估计值对应的回归系数的标准误差estmdl.beta.,一个numseries.-经过-麻木数字矩阵
趋势 中估计值对应的线性时间趋势的标准误差estmdl.trend.,一个numseries.1数字矢量

如果估计通过将任何参数固定到值来估计期间应用相等约束，然后将这些参数的相应标准错误是0．

优化的loglikeliach目标函数值，返回为数字标量。

来自拟合模型的多变量残留，作为包含的数字矩阵返回numseries.列。

  • 如果您指定y0.,然后E拥有numobs.行（参见Y）.

  • 否则，E拥有numobs.- - - - - -mdl.p.要考虑预先删除的行。

参考

[1]汉密尔顿，J.D。时间序列分析．普林斯顿，新泽：普林斯顿大学出版社，1994年。

［2］约翰森，S.协整向量自回归模型中的似然推理．牛津：牛津大学出版社，1995年。

［3］Juselius, K。协整VAR模型．牛津：牛津大学出版社，2006年。

［4］Lutkepohl, H。多次序列分析的新介绍．柏林：斯普林斯，2005年。

另请参阅

对象

功能

主题

介绍了R2017a

计量经济学工具文档
万博1manbetx
用Matlab建模财务风险的实用指南

用Matlab建模财务风险的实用指南

下载电子书