帮助中心
推断向量自回归模型(VAR)的创新点
E =推断(Mdl, Y)
E =推断(MDL,Y,名称,值)
[E,logL] =推断(___)
例
Ë=推断(Mdl,ÿ)从计算完全指定的VAR(p)模型Mdl在响应数据中ÿ。
Ë=推断(Mdl,ÿ)
Ë
Mdl
ÿ
Ë=推断(Mdl,ÿ,名称,值)使用由一个或多个名称-值对参数指定的附加选项。例如,您可以指定预采样响应或外源性预测数据。
Ë=推断(Mdl,ÿ,名称,值)
名称,值
[Ë,logL] =推断(___)返回在处计算的loglikelihood目标函数值Ë使用任何在前面的语法输入参数。
[Ë,logL] =推断(___)
logL
全部收缩
将VAR(4)模型与消费者价格指数(CPI)和失业率数据相匹配。然后,利用估计模型推断模型的创新点。
加载Data_USEconModel数据集。
Data_USEconModel
加载Data_USEconModel
把这两个系列放在不同的地块上。
图;情节(DataTable.Time DataTable.CPIAUCSL);标题(“消费者价格指数”);ylabel(“指数”);xlabel('日期');
图;情节(DataTable.Time DataTable.UNRATE);标题(“失业率”);ylabel(“百分比”);xlabel('日期');
通过将CPI转化为一系列的增长率来稳定CPI。通过从失业率系列中删除第一个观察值来同步两个系列。
RCPI = price2ret(DataTable.CPIAUCSL);unrate = DataTable.UNRATE(2:结束);
创建使用语法速记默认VAR(4)模型。
Mdl = varm (2、4);
使用整个数据集估计模型。
EstMdl =估计(MDL,[RCPI unrate]);
EstMdl是完全指定的,估计的吗varm模型对象。
EstMdl
varm
从估计模型推断创新。
E = infer(EstMdl,[rcpi unrate]);
Ë是一个241×2的推断创新矩阵。第一列和第二列分别包含与CPI增长率和失业率相对应的残差。
或者,您可以在调用时返回剩余值估计通过在第四位置提供输出变量。
估计
绘制在不同地块的残留物。从数据删除任何缺少观察和除去第一同步与日期残差Mdl.P日期。
Mdl.P
IDX =所有(〜isnan([RCPI unrate]),2);datesr = DataTable.Time (idx);图;情节(datesr((Mdl.P + 1):结束),E(:,1));ylabel(“消费者价格指数”);xlabel('日期');标题(“残情节”);持有在情节([min (datesr)马克斯(datesr)], [0 0),“r——”);持有从
图;情节(datesr((Mdl.P + 1):结束),E(:,2));ylabel(“失业率”);xlabel('日期');标题(“残情节”);持有在情节([min (datesr)马克斯(datesr)], [0 0),“r——”);持有从
与CPI增长率相对应的残差表现出异方差性,因为该系列似乎是在高方差和低方差的周期中循环。
估计消费者价格指数(CPI)、失业率和国内生产总值(GDP)的VAR(4)模型。包括包含本季度和最后四个季度政府消费支出和投资(GCE)的线性回归成分。推断模型的创新。
加载Data_USEconModel数据集。计算实际GDP。
加载Data_USEconModelDataTable.RGDP = DataTable.GDP./DataTable.GDPDEF*100;
绘制在不同地块的所有变量。
图;次要情节(2、2、1)情节(DataTable.Time DataTable.CPIAUCSL);ylabel(“指数”);标题(“消费者价格指数”);次要情节(2 2 2)情节(DataTable.Time DataTable.UNRATE);ylabel(“百分比”);标题(“失业率”);副区(2,2,3-)情节(DataTable.Time,DataTable.RGDP);ylabel(“输出”);标题(“实际国内生产总值”);次要情节(2,2,4)情节(DataTable.Time DataTable.GCE);ylabel(数十亿美元的);标题(“政府支出”);
通过将CPI、GDP和GCE转化为一系列的增长率来稳定它们。通过删除第一个观察值,使失业率系列与其他系列保持同步。
inputVariables = {'CPIAUCSL'“RGDP”'GCE'};Data = varfun (@price2ret DataTable,'InputVariables'、数据源);Data.Properties。VariableNames =数据源;数据。UNRATE = DataTable.UNRATE(2:结束);
将GCE速率系列扩展为一个矩阵,该矩阵包含当前值,并通过四个滞后值向上扩展。删除全球教育运动变量的数据。
全球教育运动
数据
rgcelag4 = lagmatrix (Data.GCE, 0:4);数据。全球教育运动=[];
MDL = varm(3,4);Mdl.SeriesNames = [“rcpi”“unrate”“rgdpg”];
使用整个样本估计模型。指定GCE矩阵作为回归组件的数据。
EstMdl =估计(Mdl Data.Variables,'X',rgcelag4);
从估计模型推断创新。供应的预测数据。返回数似然目标函数值。
[E, logL] =推断(EstMdl Data.Variables,'X',rgcelag4);logL
logL = 1.7056 e + 03
Ë是一个240×3的推断创新矩阵。这些列分别包含与CPI增长率、失业率和GDP增长率对应的残差。
idx =所有(~ isnan([数据。变量rgcelag4]), 2);datesr = DataTable.Time (idx);数字;对于j = 1: Mdl。NumSeries次要情节(2,2,j)情节(datesr (Mdl。P + 1):结束),E (:, j));ylabel (Mdl.SeriesNames {j});xlabel('日期');标题(“残情节”);持有在情节([min (datesr)马克斯(datesr)], [0 0),“r——”);持有从结束
与CPI和GDP增长率相对应的残差显示出异方差性,因为CPI系列似乎是在高方差和低方差的周期中循环。而且,GDP系列的前半部分似乎比后半部分的差异更大。
VAR模型,指定为varm创建的模型对象varm或估计。Mdl必须详细说明。
响应数据,指定为numobs——- - - - - -numseries数值矩阵或numobs——- - - - - -numseries——- - - - - -numpaths数字数组。
numobs
numseries
numpaths
numobs是样本大小。numseries为响应级数的个数(Mdl.NumSeries)。numpaths是响应路径的数量。
Mdl.NumSeries
行对应于观测,最后一行包含最新的观察。ÿ表示样品前体反应系列中延续Y0。
Y0
列必须对应于响应变量名Mdl.SeriesNames。
Mdl.SeriesNames
页面对应于单独的、独立的numseries维路径。在所有页面中,特定行中的响应同时发生。
数据类型:双
双
指定可选的用逗号分隔的对名称,值参数。的名字是参数的名称和价值是对应的值。的名字必须出现引号内。您可以按照任何顺序指定多个名称和值对参数Name1, Value1,…,的家。
的名字
价值
Name1, Value1,…,的家
'Y0',Y0, 'X',X
X
“Y0”
为模型提供初始值的预采样响应,指定为逗号分隔的对“Y0”和一个numpreobs——- - - - - -numseries数值矩阵或numpreobs——- - - - - -numseries——- - - - - -numprepaths数字数组。
numpreobs
numprepaths
numpreobs是样品前体观测值的数量。numprepaths是的样品前体反应路径的数量。
行对应于预充足的观察,最后一行包含最新的预充足的观察。Y0必须至少有Mdl.P行。如果你提供的行数比需要的多,推断出只有最新的使用Mdl.P观察结果。
推断出
列必须对应于列ÿ。
页对应于单独的独立路径。
如果Y0是矩阵吗推断出它适用于每个路径(页)ÿ。因此,所有的路径都是ÿ由一般的初始条件推出。
否则,推断出适用Y0(:,:,Ĵ)来Y (:,:Ĵ)。Y0必须至少有numpaths页,推断出只使用第一个numpaths页面。
Y0(:,:,Ĵ)
Ĵ
Y (:,:Ĵ)
在所有的网页,在一个特定的行观察发生在同一时间。
默认情况下,推断出使用Y (1: Mdl.P,:)作为样品前观察。此动作减少了有效样本大小。
Y (1: Mdl.P,:)
'X'
模型中回归分量的预测数据,指定为逗号分隔对'X'和一个包含numpreds列。
numpreds
numpreds是(预测变量的数目大小(Mdl.Beta, 2))。
大小(Mdl.Beta, 2)
行对应于观测,最后一行包含最新的观察。推断出在预样期不使用回归组件。因此,X至少要有足够多的观测数据,就像在预充足期之后使用的观测数据一样。
如果您指定Y0, 然后X必须至少有numobs行(见ÿ)。
否则,X必须至少有numobs-Mdl.P用于解释预取样去除的观察结果。
在这两种情况下,如果您提供的行数超出需要,推断出只使用最新的观测结果。
列对应于个体预测变量。所有预测器变量存在于每个响应方程的回归组件。
推断出适用X在每个路径(页)ÿ;也就是说,X表示观察到的预测结果的一个路径。
默认情况下,推断出排除回归组件,而不管它是否存在于Mdl。
为NaN值ÿ,Y0,X显示缺失值。推断出通过删除列表删除明智失踪的数据值。
为NaN
如果ÿ是三维数组吗推断出的页水平连接ÿ形成一个numobs——- - - - - -(numpaths * numseries + numpreds)矩阵。
(numpaths * numseries + numpreds)
如果存在回归分量,则推断出水平会连接X来ÿ形成一个numobs——- - - - - -numpaths * numseries + 1矩阵。推断出假设每个系列的最后几行同时出现。
numpaths * numseries + 1
推断出删除了包含至少一个任意行为NaN从串联数据。
推断出适用步骤1和3在样品前体路径Y0。
这个过程确保每个路径的推断输出创新是相同的大小,并且基于相同的观察时间。在观测缺失的情况下,从多个路径得到的结果ÿ可以根据从每个单独的路径得到的结果不同。
这种类型的数据的减少减小了有效样本大小。
推断多元创新系列,返回无论是作为数字矩阵,或作为包含列和相应于页面的数字数组ÿ。
如果您指定Y0, 然后Ë有numobs行(见ÿ)。
否则,Ë有numobs-Mdl.P用于解释预采样删除的行。
与VAR模型相关联的数似然目标函数值Mdl,以数字标量或numpaths元数值向量。logL (Ĵ)中的响应路径Y (:,:Ĵ)。
logL (Ĵ)
推断出通过评价VAR模型来推断创新Mdl相对于所述的创新使用所提供的数据ÿ,Y0,X。推断的创新点
ε ^ Ť = Φ ^ ( 大号 ) ÿ Ť − C ^ − β ^ X Ť − δ ^ Ť 。
推断出使用此过程来确定时间原点Ť0的模型,包括线性时间趋势。
如果没有指定Y0, 然后Ť0= 0。
否则,推断出套Ť0来大小(Y0, 1)-Mdl.P。因此,在趋势成分的时间Ť=Ť0+ 1,Ť0+ 2,...,Ť0+numobs,在那里numobs为有效样本量(大小(Y, 1)后推断出删除缺失值)。该约定与模型估计的默认行为一致估计除去第一Mdl.P响应,减少有效样本量。虽然推断出显式地使用第一个Mdl.P在样品前回应Y0初始化模式,观测在总数Y0和ÿ(不含缺失值)确定Ť0。
大小(Y0, 1)
大小(Y, 1)
[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]约翰森,S。在协整向量自回归模型的可能性为基础的推理。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]Lütkepohl,H.多时间序列分析的新介绍。柏林:施普林格出版社,2005年。
过滤器
您的系统中存在此示例的修改版本。你想打开这个版本吗?
您单击对应于该MATLAB命令的链接:
通过在MATLAB命令窗口中输入该命令来运行它。Web浏览器不支持MATLAB命令。万博1manbetx
选择一个网站来获取可用的翻译内容,并查看本地事件和报价。根据你的位置,我们建议你选择:。
你也可以从以下列表中选择一个网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。
联系你当地的办公室