总结

展示向量自回归(VAR)模型的估计结果

折叠所有页面

语法

总结(Mdl)

结果=总结(Mdl)

描述

例子

总结(Mdl）显示VAR摘要(p)模型Mdl．

如果Mdl是一个估计的VAR模型返回估计,然后总结将估计结果打印到MATLAB中^®命令窗口。显示包括一个参数估计表与相应的标准误差，t统计数据,p值。总结了对数似然、赤池信息准则(AIC)和贝叶斯信息准则(BIC)模型拟合统计量，以及估计的创新协方差和相关矩阵。
如果Mdl是一个未估计的VAR模型返回varm,然后总结打印标准对象显示(与varm在模型创建期间打印)。

例子

结果=总结(Mdl）返回下列变量之一，并且不打印到命令窗口。

如果Mdl是估计的VAR模型，那么结果是一个包含估计结果的结构。
如果Mdl是一个未估计的VAR模型，那么结果是一个varm的模型对象Mdl．

例子

全部折叠

估计VAR模型(4)

打开生活的脚本

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

在不同的地块上绘制这两个系列。

图;情节(DataTable.Time DataTable.CPIAUCSL);标题(“消费者价格指数”）;ylabel (“指数”）;包含(“日期”）;

图;情节(DataTable.Time DataTable.UNRATE);标题(“失业率”）;ylabel (“百分比”）;包含(“日期”）;

通过将CPI转化为一系列的增长率来稳定CPI。通过从失业率序列中删除第一个观察值来同步这两个序列。

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)

描述:“2维VAR(4)模型”SeriesNames:“Y1”“Y2”NumSeries: 2 P: 4 Constant: [2×1 vector of NaNs] AR: {2×2 matrices of NaNs} at时滞[1 2 3…趋势:[2×1零向量]Beta: [2×0矩阵]协方差:[2×2矩阵的nan]

Mdl是一个varm模型对象。所有属性包含南数值对应于给定数据中要估计的参数。

使用整个数据集估计模型。

EstMdl =估计(Mdl，[rcpi unrate])

EstMdl = varm with properties:描述:"AR- stationary 2d VAR(4) Model" SeriesNames: "Y1" "Y2" NumSeries: 2 P: 4 Constant: [0.00171639 0.316255]' AR: {2×2 matrices} at delay[1 2 3…趋势:[2×1零向量]Beta: [2×0矩阵]协方差:[2×2矩阵]

EstMdl是一个估计varm模型对象。它是完全指定的，因为所有参数都有已知的值。该描述表明自回归多项式是平稳的。

显示估计的汇总统计信息。

总结(EstMdl)

AR-Stationary 2d VAR(4)模型有效样本量:241估计参数数:18 LogLikelihood: 811.361 AIC: -1586.72 BIC:-1524 Value StandardError TStatistic PValue ___________ _____________ __________ __________ Constant(1) 0.0017164 0.0015988 1.0735 0.28303 Constant(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 0.06503220.656 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 3.9277 0.37858 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 -0.68906 0.9079 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创新相关矩阵:0.0000 -0.0002 -0.0002 0.1167创新相关矩阵:1.0000 -0.0925 -0.0925 1.0000

比较几种适合的VAR模型

打开生活的脚本

考虑消费者价格指数(CPI)和失业率的四种VAR模型:VAR(0)、VAR(1)、VAR(4)和VAR(8)。使用历史数据，估计每个，然后比较模型拟合使用产生的BIC。

加载Data_USEconModel数据集。声明消费者物价指数的变量(消费者价格指数)及失业率(UNRATE)系列。从这个系列的开头删除任何丢失的值。

负载Data_USEconModelcpi = DataTable.CPIAUCSL;unrate = DataTable.UNRATE;Idx = all(~isnan([cpi unrate])，2);cpi = cpi (idx);unrate = unrate (idx);

通过将CPI转化为一系列的增长率来稳定CPI。通过从失业率序列中删除第一个观察值来同步这两个序列。

rcpi = price2ret (cpi);unrate = unrate(2:结束);

在一个循环:

使用简写语法创建VAR模型。
评估VAR模型。保留的最大值ppresample观测。
存储估计结果。

numseries = 2;P = [0 1 4 8];estMdlResults =细胞(元素个数(p), 1);%预先配置Y0 = [rcpi(1:max(p)) unrate(1:max(p))];Y = [rcpi ((max (p) + 1):结束)unrate ((max (p) + 1):结束)];为j = 1: nummel (p) Mdl = varm(numseries,p(j));EstMdl =估计(Mdl Y“Y0”, Y);estMdlResults {j} =总结(EstMdl);结束

estMdlResults是由结构阵列组成的4 × 1单元阵列，其中包含每个模型的估计结果。

从每组结果中提取BIC。

BIC = cellfun (@ (x) x.BIC estMdlResults)

BIC =4×110^3.× -0.7153 -1.3678 -1.4378 -1.3853

在所考虑的模型中，最小BIC对应的模型拟合最好。因此，VAR(4)是最好的拟合模型。

输入参数

全部折叠

`Mdl`- - - - - -VAR模型
`varm`模型对象

VAR模型，指定为varm返回的模型对象估计，varm,或varm(一个结果功能)。

输出参数

全部折叠

`结果`——模型总结
结构数组|`varm`模型对象

模型摘要，作为结构数组或varm模型对象。

如果Mdl是估计的VAR模型，那么结果是包含该表中字段的结构数组。

场	描述
`描述`	模型总结描述(字符串)
`SampleSize`	有效样本量(数字标量)
`NumEstimatedParameters`	估计参数数(数值标量)
`LogLikelihood`	优化对数似然值(数值标量)
`另类投资会议`	赤池信息准则(数值标量)
`BIC`	贝叶斯信息准则(数字标量)
`表格`	参数估计与相应的标准误差，t统计(估计除以标准误差)，和p值(假设正常);包含与模型参数相对应的行的表
`协方差`	估计残差协方差矩阵(最大似然估计)，a`Mdl。NumSeries`——- - - - - -`Mdl。NumSeries`数值矩阵的行和列对应的创新的响应方程，由数据排序`Y`
`相关`	估计残差相关矩阵，其维数对应的维数为`协方差`