估计

拟合矢量误差修正(VEC)模型到数据

折叠所有页面

语法

EstMdl =估计(Mdl, Y)
EstMdl =估计(Mdl Y、名称、值)
[EstMdl, EstSE] =估计(<年代pan class="argument_placeholder">＿＿＿）
[EstMdl EstSE logL E] =估计(<年代pan class="argument_placeholder">＿＿＿）

描述

例子

EstMdl=估计(Mdl，Y）提交完整指明的VEC(p–1）模型。该模型存储通过拟合VEC得到的估计参数值(p- 1)模型Mdl到观察到的多变量响应序列Y使用最大似然。

例子

EstMdl=估计(Mdl，Y，名称,值）使用由一个或多个名称-值对参数指定的其他选项。例如,“模型”,“H1 *”、“X”,X指定确定性项的H1*Johansen形式，以及X作为回归组件的外生预测数据。

例子

［EstMdl，EstSE]=估计(<年代pan class="argument_placeholder">＿＿＿）使用前面语法中的任何输入参数返回估计参数的估计的渐近标准误差。

例子

［EstMdl，EstSE，logL，E]=估计(<年代pan class="argument_placeholder">＿＿＿）返回优化的对数似然目标函数值(logL)和多元残差(E）.

例子

全部折叠

打开生活的脚本

考虑以下七个宏观经济系列的VEC模型，然后将模型拟合到数据。

  • 本地生产总值

  • GDP隐含价格平减指数

  • 雇员已付补偿

  • 所有人的非农业业务时间

  • 有效联邦基金利率

  • 个人消费支出

  • 国内私人投资总额

假设4和一个短期项的协整秩是适当的，即，考虑VEC（1）模型。

加载Data_USEconVECModel数据集。

负载<年代pan style="color:#A020F0">Data_USEconVECModel

有关数据集和变量的更多信息，请输入描述在命令行。

确定数据是否需要通过在单独的图上绘制系列来进行预处理。

图;次要情节(2、2、1)情节(FRED.Time FRED.GDP);标题(<年代pan style="color:#A020F0">“国内生产总值”）;ylabel (<年代pan style="color:#A020F0">“指数”）;包含(<年代pan style="color:#A020F0">“日期”)；子地块（2,2,2）绘图（FRED.Time，FRED.GDPDEF）；标题(<年代pan style="color:#A020F0">“GDP平减指数”）;ylabel (<年代pan style="color:#A020F0">“指数”）;包含(<年代pan style="color:#A020F0">“日期”）;次要情节(2,2,3)情节(FRED.Time FRED.COE);标题(<年代pan style="color:#A020F0">“雇员的已付补偿”）;ylabel (<年代pan style="color:#A020F0">数十亿美元的）;包含(<年代pan style="color:#A020F0">“日期”）;次要情节(2,2,4)情节(FRED.Time FRED.HOANBS);标题(<年代pan style="color:#A020F0">“非农业企业营业时间”）;ylabel (<年代pan style="color:#A020F0">“指数”）;包含(<年代pan style="color:#A020F0">“日期”）;

图;次要情节(2、2、1)情节(FRED.Time FRED.FEDFUNDS);标题(<年代pan style="color:#A020F0">“联邦基金利率”）;ylabel (<年代pan style="color:#A020F0">“百分比”）;包含(<年代pan style="color:#A020F0">“日期”）;次要情节(2 2 2)情节(FRED.Time FRED.PCEC);标题(<年代pan style="color:#A020F0">“消费支出”）;ylabel (<年代pan style="color:#A020F0">数十亿美元的）;包含(<年代pan style="color:#A020F0">“日期”）;次要情节(2,2,3)情节(FRED.Time FRED.GPDI);标题(<年代pan style="color:#A020F0">“国内私人投资总额”）;ylabel (<年代pan style="color:#A020F0">数十亿美元的）;包含(<年代pan style="color:#A020F0">“日期”）;

通过应用对数变换，稳定除联邦基金利率以外的所有序列。将结果序列缩放100，使所有序列处于相同的比例。

FRED.GDP=100*log（FRED.GDP）；FRED.GDPDEF=100*log（FRED.GDPDEF）；FRED.COE=100*log（FRED.COE）；FRED.hoans=100*log（FRED.hoans）；FRED.PCEC=100*log（FRED.PCEC）；FRED.GPDI=100*log（FRED.GPDI）；

使用简写语法创建VEC(1)模型。指定变量名。

Mdl =结果(7 4 1);Mdl。年代eriesNames = FRED.Properties.VariableNames
描述:“具有线性时间趋势的7维Rank = 4 VEC(1)模型”和4更NumSeries: 7等级:4 P: 2常数:[7×1的向量nan]调整:[7×4矩阵nan)协整:[7×4矩阵nan)影响:[7×7矩阵nan] CointegrationConstant:[4×1的向量nan] CointegrationTrend:[4×1的向量nan]短期的:{7×7矩阵nan}在滞后[1]的趋势:[7×1的向量nan]测试:协方差:[7×7 matrix of nan]

Mdl是一个结果模型对象。所有属性包含南值对应于给定数据估计的参数。

使用整个数据集和默认选项估计模型。

FRED.Variables EstMdl =估计(Mdl)
EstMdl=vecm，属性：Description:“7维秩=4个VEC（1）模型”系列名称：“GDP”“GDPDEF”“COE”…和其他4个数字系列：7秩：4个P:2常数：[14.1329 8.77841-7.20359…和其他4个]”调整：[7×4矩阵]协整：[7×4矩阵]影响：[7×7矩阵]协整常数：[-28.6082109.555-77.0912…及更多]'协整趋势：[4×1零向量]短期：{7×7矩阵}滞后[1]趋势：[7×1零向量]β：[7×0矩阵]协方差：[7×7矩阵]

EstMdl是一个估计结果模型对象。它是完全指定的，因为所有参数都具有已知值。默认情况下，估计通过从模型中去除协整趋势和线性趋势项，施加H1 Johansen VEC模型形式的约束。从估计中排除参数等价于将等式约束为零。

显示估算的简短摘要。

结果=总结(EstMdl)
结果=<年代pan class="emphasis">结构体字段:描述:“7维Rank = 4 VEC(1)模型”模型:“H1”样本大小:238 NumEstimatedParameters: 112 LogLikelihood: -1.4939e+03 AIC: 3.2118e+03 BIC: 3.6007e+03 Table: [133x4 Table]协方差:[7x7 double]相关:[7x7 double]

的表格领域的后果是一个参数估计和相应统计数据的表格。

打开生活的脚本

考虑模型和数据估计向量机模型，假设估计样本从1980年第一季度开始。

加载Data_USEconVECModel数据集和预处理数据。

负载<年代pan style="color:#A020F0">Data_USEconVECModelFRED.GDP=100*log（FRED.GDP）；FRED.GDPDEF=100*log（FRED.GDPDEF）；FRED.COE=100*log（FRED.COE）；FRED.hoans=100*log（FRED.hoans）；FRED.PCEC=100*log（FRED.PCEC）；FRED.GPDI=100*log（FRED.GPDI）；

确定与估计样本开始对应的索引。

> . time (2:end):结束<年代pan style="color:#A020F0">“1979-12-31”；

使用简写语法创建默认的VEC(1)模型。假设适当的协整秩为4。指定变量名。

Mdl =结果(7 4 1);Mdl。年代eriesNames = FRED.Properties.VariableNames;

使用估计样本估计模型。将估计样本之前的所有观测值指定为前样本数据。此外，指定了VEC模型的H Johansen形式的估计，其中包括所有确定性参数。

弗雷德Y0 = {~ estIdx,:};EstMdl =估计(Mdl,弗雷德{estIdx:},<年代pan style="color:#A020F0">“Y0”, Y0,<年代pan style="color:#A020F0">“模型”，<年代pan style="color:#A020F0">“H”）
描述:“具有线性时间趋势的7维Rank = 4 VEC(1)模型”and 4 more NumSeries: 7 Rank: 4 P: 2 Constant:[17.5698 3.74759 -20.1998…“调整:[7×4 matrix]协整:[7×4 matrix]影响:[7×7 matrix]协整:[85.4825 -57.3569 -81.7344…CointegrationTrend:[-0.0264185 -0.00275396 -0.0249583…[0.000514564 -0.000291183 0.00179965…]' Beta: [7×0 matrix]协方差:[7×7 matrix]

因为VEC模型的顺序<年代pan class="emphasis">p是2,估计只使用最后两个观察(行)Y0presample。

打开生活的脚本

考虑模型和数据估计向量机模型．

加载Data_USEconVECModel数据集和预处理数据。

负载<年代pan style="color:#A020F0">Data_USEconVECModelFRED.GDP=100*log（FRED.GDP）；FRED.GDPDEF=100*log（FRED.GDPDEF）；FRED.COE=100*log（FRED.COE）；FRED.hoans=100*log（FRED.hoans）；FRED.PCEC=100*log（FRED.PCEC）；FRED.GPDI=100*log（FRED.GPDI）；

的Data_Recessions数据集包含了衰退的开始和结束的连续日期。加载这个数据集。将日期序列号矩阵转换为日期时间数组。

负载<年代pan style="color:#A020F0">Data_Recessionsdtrec = datetime(衰退,<年代pan style="color:#A020F0">“ConvertFrom”，<年代pan style="color:#A020F0">“datenum”）;

创建一个虚拟变量，以确定美国处于衰退或更糟的时期。具体来说，变量应该是1如果弗雷德。时间发生在经济衰退期间0否则。

isin = @ (x)(任何(dtrec (: 1) < = x & x < = dtrec (:, 2)));isrecession =双(arrayfun(型号、FRED.Time));

使用简写语法创建VEC(1)模型。假设适当的协整秩为4。在创建模型时，您不必指定回归组件的存在。指定变量名。

Mdl =结果(7 4 1);Mdl。年代eriesNames = FRED.Properties.VariableNames;

使用整个样本估计模型。具体说明预测器，以确定观察是否在衰退期间测量。返回标准错误。

[EstMdl，EstSE]=估计值（Mdl，FRED.Variables，<年代pan style="color:#A020F0">“X”, isrecession);

显示各方程的回归系数及相应的标准误差。

EstMdl。β
ans =<年代pan class="emphasis">7×1-1.1975 -0.0187 -0.7530 -0.7094 -0.5932 -0.6835 -4.4839
EstSE。β
ans =<年代pan class="emphasis">7×10.1547 0.0581 0.1507 0.1278 0.2471 0.1311 0.7150

EstMdl。β和EstSE。β是7-by-1向量。中的行对应响应变量EstMdl。年代eriesNames列对应于预测器。

要检查经济衰退的影响是否显著，可以从总结，然后显示结果β．

结果=总结(EstMdl);isbeta =包含(results.Table.Properties.RowNames,<年代pan style="color:#A020F0">“β”)；betaresults=结果。表（isbeta，：）
betaresults =<年代pan class="emphasis">7×4表值StandardError TStatistic PValue _________ _____________ __________ __________ Beta(1,1) -1.1975 0.15469 -7.7411 9.8569e-15 Beta(2,1) -0.018738 0.05806 -0.32273 0.7469 Beta(3,1) -0.75305 0.15071 -4.9966 5.8341e-07 Beta(4,1) -0.70936 0.12776 -5.5521 2.8221e-08 Beta(5,1) -0.5932 0.24712 -2.4004 0.016377 Beta(6,1) -0.68353 0.13107 -5.21511.837e-07 Beta(7,1) -4.4839 0.715 -6.2712 3.5822e-10
whichsig = EstMdl.SeriesNames (betaresults。PValue < 0.05)
真了不起=<年代pan class="emphasis">1x6字符串数组" gdp " " coe " " hoanbs " " federal funds " " pcec " " gpdi "

所有系列除了GDPDEF似乎对经济衰退有显著影响。

输入参数

全部折叠

包含未知参数值的VEC模型，指定为结果返回的模型对象结果．

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。协方差不能包含混合的南值和实数；必须完全指定协方差，否则协方差必须完全未知(南(Mdl.NumSeries)）.

观察到的多变量响应序列估计适合的模型，指定为numobs——- - - - - -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。

列对应于各个响应变量。

Y中样本前响应序列的延续Y0．

数据类型：双重的

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。名称参数名和价值为对应值。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,…,的家．

例子:“模型”、“H1 *”Y0, Y0, X, X仅包括VEC模型H1形式的确定性术语，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分量X．

预采样响应启动模型估计，指定为逗号分隔对组成“Y0”和一个numpreobs——- - - - - -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。如果您提供了多余的行，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，估计使用Y (1: Mdl.P,:)作为前样本观测值，然后将模型拟合为Y (Mdl。P+1）:end,:)．这个动作减少了有效的样本量。

数据类型：双重的

预测器数据为模型中的回归组件，指定为逗号分隔对组成“X”和一个数值矩阵包含裸体列。

裸体为预测变量的数量。

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必须至少有与前样本周期后使用的相同数量的观察值。

  • 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对去除前样品的观察。

在这两种情况下，如果提供的行过多，估计仅使用最新观察结果。

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，估计排除回归组件，无论它在Mdl．

数据类型：双重的

约翰森形式VEC(的p- 1)模型确定性项［2］，指定为逗号分隔的对，由“模型”和表中的值(变量定义，见向量误差修正模型）.

价值 纠错的术语 描述
“氢气”

AB´yt−1

在协整关系中不存在截距或趋势，在数据水平中不存在确定性趋势。

仅当所有响应序列的平均值为零时，才指定此模型。
“H1 *”

一个（B´yt−1+c0）

在协整关系中存在截距，在数据层次中不存在确定性趋势。
“标题”

一个（B´yt−1+c0）+c1

截距存在于协整关系中，确定性线性趋势存在于数据水平中。
“H *” 一个（B´yt−1+c0+d0t）+c1

在协整关系中存在截距和线性趋势，在数据水平中存在确定性线性趋势。
“H” 一个（B´yt−1+c0+d0t）+c1+d1t

在协整关系中存在截距和线性趋势，在数据水平中存在确定性二次趋势。

如果数据中不存在二次趋势，这个模型可以产生很好的样本内拟合，但样本外预测很差。

在估计过程中，如果模型中没有整体模型常数、整体线性趋势、协整常数或协整线性趋势参数，则估计将它们限制为零。如果你指定一个不同的等式约束，也就是说，如果与那些被约束为0的确定性项对应的属性的值不是向量南值或零估计一个错误的问题。要实施受支持的等式约束万博1manbetx，请选择包含希望约束的确定性术语的Johansen模型。

例子:“模型”,“H1 *”

数据类型：一串|字符

估计信息显示类型，指定为逗号分隔对组成“显示”和这个表中的值。

价值 描述
“关闭” 估计在命令行中不显示估计信息。
“表格” 估计显示评估信息表。行对应参数，列对应估计，标准误差，t统计数据,p值。
“满” 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：一串|字符

允许的最大求解器迭代次数，指定为逗号分隔对，由“MaxIterations”和一个正数标量。

估计分派MaxIterations来MVR回归．

数据类型：双重的

请注意

南值Y，Y0,X显示缺失值。估计通过列表删除从数据中删除缺失的值。

  • presample,估计删除包含至少一个字符的任何行南．

  • 对于估算样本，估计删除连接数据矩阵的任何行(X, Y)至少包含一个南．

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VEC (p- 1)模型，返回为a结果模型对象。EstMdl是完全指定的结果模型。

估计的，估计参数的渐近标准误差，作为包含该表字段的结构数组返回。

场 描述
常数 整体模型常数的标准误差(c)对应于EstMdl。常数,一个Mdl。NumSeries1数字矢量
调整 调整速度的标准误差(一个)对应于EstMdl.调整,一个Mdl。NumSeries——- - - - - -职级数值向量
影响 冲击系数的标准误差(Π)对应于EstMdl。影响,一个Mdl。NumSeries——- - - - - -Mdl。NumSeries数值向量
短期的 短期系数的标准误差(Φ)与中的估计数相对应EstMdl。年代hortRun的单元格向量，其元素对应于EstMdl。年代hortRun
β 回归系数的标准误差(β)对应于EstMdl。β,一个Mdl。NumSeries——- - - - - -裸体数字矩阵
趋势 整体线性时间趋势的标准误差(d)对应于EstMdl.趋势,一个Mdl。NumSeries1数字矢量

如果估计在估计过程中应用等式约束，将任何参数固定为一个值，则这些参数的相应标准误差为0．

优化的对数似然目标函数值，作为数值标量返回。

拟合模型的多元残差，返回为包含numseries列。

  • 如果您指定Y0,然后E有numobs行（参见Y）.

  • 否则,E有numobs- - - - - -Mdl。P行，以说明前样品的去除。

更多关于

全部折叠

向量误差修正模型

一个矢量误差修正(VEC)模型是一个多变量，随机时间序列模型组成的系统米＝numseries方程米不同的，不同的反应变量。系统中的方程可以包括纠错的术语，这是用于稳定系统的响应水平的线性函数。这个协整排r是协整关系存在于系统中的。

每个响应方程可以包括一个自回归多项式，由响应序列的一阶差分组成(短期的多项式的程度p- 1)，一个常数，一个时间趋势，外生预测变量，误差修正项中的一个常数和时间趋势。

VEC (p- 1)模型差分方程的符号而在简化型可以用两种方式表示:

  • 这个方程是组件的形式在VEC模型中，协整调整速度和协整矩阵是显式的，而影响矩阵是隐含的。

    Δ y t ＝ 一个 （ B ” y t − 1 + c 0 + d 0 t ） + c 1 + d 1 t + Φ 1 Δ y t − 1 + ．.. + Φ p − 1 Δ y t − （ p − 1 ） + β x t + ε t ＝ c + d t + 一个 B ” y t − 1 + Φ 1 Δ y t − 1 + ．.. + Φ p − 1 Δ y t − （ p − 1 ） + β x t + ε t ．

    协整关系是B”yt– 1+c0+d0t误差修正项是一个（B”yt– 1+c0+d0t）.

  • 这个方程是冲击形式影响矩阵是显式的，而协整调整速度和协整矩阵是隐含的。

    Δ y t ＝ Π y t − 1 + 一个 （ c 0 + d 0 t ） + c 1 + d 1 t + Φ 1 Δ y t − 1 + ．.. + Φ p − 1 Δ y t − （ p − 1 ） + β x t + ε t ＝ c + d t + Π y t − 1 + Φ 1 Δ y t − 1 + ．.. + Φ p − 1 Δ y t − （ p − 1 ） + β x t + ε t ．

在方程:

  • y<年代ub>t是一个米-对应于米时刻响应变量t哪里t= 1,...,T．

  • Δy<年代ub>t＝y<年代ub>t- - - - - -yt– 1．结构系数是单位矩阵。

  • r是协整关系的数量，通常为0<r<米．

  • 一个是一个米——- - - - - -r调整速度矩阵。

  • B是一个米——- - - - - -r协整矩阵。

  • Π是一个米——- - - - - -米排序为的冲击矩阵r．

  • c0是一个r在协整关系中常数(截距)的-by-1向量。

  • d0是一个r在协整关系中线性时间趋势的-1向量。

  • c1是一个米-by-1常量向量(确定线性趋势在y<年代ub>t）.

  • d1是一个米线性时间趋势值的-by-1向量(确定二次趋势在y<年代ub>t）.

  • c＝一个c0+c1是总的常数。

  • d＝一个d0+d1为总时间趋势系数。

  • Φ<年代ub>j是一个米——- - - - - -米短期系数矩阵，其中j= 1,...,p- 1和Φ<年代ub>p– 1不是只包含零的矩阵。

  • x<年代ub>t是一个k-对应于k外生变量预测指标。

  • β是一个米——- - - - - -k回归系数矩阵。

  • ε<年代ub>t是一个米随机高斯创新的-by-1向量，每个均值为0，集体为米——- - - - - -米Σ协方差矩阵。为t≠年代，ε<年代ub>t和ε<年代ub>年代他们是独立的。

在压缩和滞后运算符表示法中，系统为

Φ （ l ） （ 1 − l ） y t ＝ 一个 （ B ” y t − 1 + c 0 + d 0 t ） + c 1 + d 1 t + β x t + ε t ＝ c + d t + 一个 B ” y t − 1 + β x t + ε t

在哪里<年代pan class="inlineequation"> Φ （ l ） ＝ 我 − Φ 1 − Φ 2 − ．.. − Φ p − 1 ，我是米——- - - - - -米单位矩阵,ly<年代ub>t＝yt– 1．

如果米＝r，则VEC模型是一个稳定VAR(p)模型的反应水平。如果r= 0，则误差修正项为零矩阵，VEC(p- 1)模型是稳定的VAR(p–1）响应的第一个差异中的模型。

约翰森形式

的约翰森形式的VEC模型区别于确定性术语的存在。详细的［2］，估算过程在不同的表格中有所不同。因此，估算过程中对确定性项的允许相等约束在不同的表格中有所不同。有关更多详细信息，请参阅确定性术语的作用．

该表描述了五种Johansen形式和受支持的等式约束。万博1manbetx

形式 纠错的术语 确定性系数 等式约束
H2

AB´yt−1

c= 0 (常数）.

d= 0 (趋势）.

c0= 0 (CointegrationConstant）.

d0= 0 (CointegrationTrend）.

你可以完全指定B．

所有确定性系数均为零。
H1 *

一个（B´yt−1+c0）

c＝一个c0．

d= 0。

d0= 0。

如果您完全指定B或c0，则必须完全指定另一个。

MATLAB<年代up>®得出…的价值c从c0和一个．

所有确定性趋势均为零。
H1

一个（B´yt−1+c0) +c1

c＝一个c0+c1．

d= 0。

d0= 0。

你可以完全指定B．

您可以指定以下内容的混合：南和数值c．

MATLAB推导出的值c0从c和一个．

所有确定性趋势均为零。
H *

一个（B´yt−1+c0+d0t) +c1

c＝一个c0+c1．

d＝一个d0．

如果您完全指定B或d0，则必须完全指定另一个。

您可以指定以下内容的混合：南和数值c．

MATLAB推导出的值c0从c和一个．

MATLAB推导出的值d从一个和d0．
H

一个（B´yt−1+c0+d0t）+c1+d1t

c＝一个c0+c1．

d＝一个．d0+d1．

你可以完全指定B．

您可以指定以下内容的混合：南和数值c和d．

MATLAB推导出的值c0和d0从c，d,一个．

算法

  • 如果1≤职级≤Mdl。NumSeries- - - - - -1就像大多数VEC模型一样估计分两步执行参数估计。

    1. 估计通过Johansen方法估计协整关系的参数，包括任何限制截距和时间趋势［2］．

      • 协整关系的形式对应于Johansen在［2］（见“模型”）.有关详细信息，请参见jcitest和jcontest．

      • 调整速度参数(一个)和协整矩阵(B) (p- 1)模型不能唯一识别。然而,产品Π＝一个＊Bʹ是可识别的。在这个估计步骤中，B＝V1: r哪里V1: r这个矩阵是由所有行和第一行组成的吗r特征向量矩阵的列V．V是标准化的Vʹ＊年代11＊V＝我．有关详细信息，请参见［2］．

    2. 估计从估计的协整关系构造误差修正项。然后,估计通过在第一差异中构建向量自回归(VAR)模型，并将误差修正项作为预测因子，估计VEC模型中的其余项。对于没有协整关系的模型(职级= 0)或具有满秩的协整矩阵(职级＝Mdl.Numseries)，估计只执行这个VAR估计步骤。

  • 您可以从协整分析中删除与协整关系空间中的标准单位向量相关联的平稳序列。要对单个序列进行平稳性预测试，请使用adftest，ppt，kpsstest,lmctest．作为一种替代方法，您可以在完整模型的上下文中测试标准单位向量jcontest．

  • 如果1≤职级≤Mdl。NumSeries- - - - - -1，协整关系中参数的渐近误差协方差(包括B，c0,d0对应于协整，CointegrationConstant,CointegrationTrend性质)通常是非高斯分布。因此,估计不估计或返回相应的标准误差。

    将复合冲击矩阵的误差协方差定义为乘积一个＊Bʹ，均为渐近高斯分布。因此,估计估计并返回其标准误差。对于整体常数和线性趋势的标准误差(一个＊c0和一个＊d0对应于常数和趋势性质)的H1*和H* Johansen形式。

参考文献

［1］<年代pan>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。

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

［3］<年代pan>Juselius, K。协整VAR模型．牛津:牛津大学出版社，2006。

［4］<年代pan>Lutkepohl, H。多重时间序列分析新导论．柏林:施普林格,2005年。

另请参阅

对象

功能

  • |<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">

主题

介绍了R2017b

计量经济学工具文档
万博1manbetx
用MATLAB建模金融风险的实用指南

用MATLAB建模金融风险的实用指南

下载电子书