生成向量自回归(VAR)模型的脉冲响应
来估计或绘制动态线性模型,其特征在于由结构,自回归,或移动平均系数矩阵的IRF,见armairf
。
脉冲响应函数跟踪的创新冲击的影响,以一个变量对系统中的所有变量的响应。相比之下,预测误差方差分解(FEVD)提供关于每个创新的影响系统中的所有变量的相对重要性的信息。为了估计VAR模型,其特征在于一个的FEVDvarm
模型对象,看fevd
。
为NaN
价值观Y0
,X
,Ë
表示丢失的数据。IRF
通过列表删除从这些参数中删除缺失的数据。如果一行至少包含一个参数,则为每个参数为NaN
, 然后IRF
删除整个行。
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。
如果方法
是“使正交化”
,则得到的IRF取决于时间序列模型中变量的顺序。如果方法
是“广义”
,则得到的IRF对变量的顺序是不变的。因此,这两种方法通常产生不同的结果。
如果Mdl.Covariance
为对角矩阵,则得到的广义和正交的irf是相同的。否则,仅当第一个变量冲击所有变量时(即所有其他变量相同,两种方法产生相同的值),结果的广义和正交化IRFs是相同的响应(:1:)
)。
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
有回归成分(Mdl.Beta
不是一个空数组),IRF
将相同的外生数据应用于用于置信区间估计的所有路径。
如果没有指定残差Ë
, 然后IRF
按照以下步骤进行蒙特卡罗模拟:
如果指定残差Ë
, 然后IRF
进行通过执行此过程非参数自举:
重新取样,与更换,SampleSize
残差的Ë
。执行这一步骤NumPaths
次获得NumPaths
路径。
自举居中残差的每个路径。
过滤每一个路径的中心,引导残差通过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]Lutkepohl, H。多时间序列分析的新介绍。纽约:施普林格出版社,2007年。
[3]Pesaran,H. H.,和Y信。“线性多变量模型广义脉冲响应分析。”经济上的字母。卷。58,1998年,第17-29。