产生向量自回归(VAR)模型预测误差方差分解(FEVD)
来估计或绘制动态的FEVD线性模型,其特征在于由结构,自回归,或移动平均系数矩阵,参见armafevd
。
该FEVD提供关于每个创新的影响系统中的所有反应变量的预测误差方差的相对重要性的信息。与此相反,脉冲响应函数(IRF)迹线的创新冲击一个变量在所述系统中的所有变量的响应的影响。为了估计VAR模型的IRF特征在于varm
模型对象,见IRF
。
如果方法
是“正交”
, 然后fevd
正交化的创新冲击通过应用模型协方差矩阵的Cholesky分解Mdl.Covariance
。正交化创新冲击的协方差是单位矩阵,并且每个变量之和的FEVD为一(即,沿着任何行的总和分解
是一个)。因此,正交FEVD表示预测误差方差归属于各种冲击在系统中的比例。然而,正交化FEVD通常取决于变量的数量级上。
如果方法
是“广义”
,然后将所得FEVD是不变的变量的顺序,并且不基于正交变换。此外,所得FEVD款项一项所述的特定变量,只有当Mdl.Covariance
是对角线[4]。因此,广义FEVD代表了等式冲击对模型中响应变量的预测误差方差的贡献。
如果Mdl.Covariance
是对角矩阵,然后将所得的广义正交和FEVDs是相同的。否则,所得的广义正交和FEVDs是相同的,只有当第一可变冲击的所有变量(即,在其他条件相同的,这两种方法得到相同的值分解:1:)
)。
为NaN
价值观Y0
,X
和Ë
表示丢失的数据。fevd
删除由列表删除明智缺少根据这些参数数据。每个参数,如果行包含至少一个为NaN
, 然后fevd
删除整行。
清单明智的缺失降低了样本的大小,可以创建不规则的时间序列,并可能导致Ë
和X
是不同步的。
预测数据X
代表的外源性多元时间序列的单一路径。如果您指定X
和VAR模型MDL
具有回归组分(Mdl.Beta
不是一个空数组),fevd
相同的外源数据适用于用于区间估计的所有路径。
如果没有指定残差Ë
, 然后fevd
进行蒙特卡洛模拟通过执行此过程:
如果指定残差Ë
, 然后fevd
进行通过执行此过程非参数自举:
重新取样,与更换,SampleSize
从残差Ë
。执行此步骤NumPaths
次获得NumPaths
路径。
自举居中残差的每个路径。
过滤器为中心,自举残差的每个路径通过MDL
获得NumPaths
长度的自举响应路径SampleSize
。
完成蒙特卡罗仿真的步骤2到步骤4,但是将仿真的响应路径替换为引导响应路径。
[1]汉密尔顿,J. D.时间序列分析。普林斯顿:普林斯顿大学出版社,1994年。
[2]Lütkepohl,H.“渐近脉冲响应函数和预测误差向量自回归模型的方差分解的分布。”经济学和统计学评论。卷。72,1990,第116-125。
[3]Lütkepohl,H.新介绍多时间序列分析。纽约:施普林格出版社,2007年。
[4]Pesaran,H. H.,和Y信。“线性多变量模型广义脉冲响应分析。”经济快报。卷。58,1998年,第17-29。