创建矢量误差修正(VEC)模型
该VECM
函数返回一个VECM
对象,该对象指定函数形式并存储p- 1)-阶,协整,多元向量误差修正模型(VEC((p- 1))模型。
a的关键组成部分VECM
对象包括的时间序列数(反应变量维数,各响应变量之间协整关系的个数(协整秩),以及多元的程度自回归多项式的响应一系列第一差异组成(短期的多项式),这是p- 1,也就是说,p- 图1是具有一个非零系数矩阵的最大滞后,和p是VEC模型的向量自回归(VAR)模型表示的顺序。其他模型组件包括一个回归成分相同的外生预测变量关联到每个响应系列,并不断和时间趋势项。
A VEC模型的另一个重要组成部分是它的约翰森形式因为它决定如何MATLAB<小号up>®包括在模型中确定条件。该规范对评估程序和允许的等式约束的影响。有关详细信息,请参阅约翰森表和[2]。
给定响应变量的维数、协整秩和短期多项式次数,所有系数矩阵和创新分布参数都是未知和可估计的,除非您使用名称-值对参数语法指定它们的值。要选择适合您的数据的Johansen形式,然后估计一个包含所有或部分未知参数值的模型,使用估计
。与估计的或完全指定的一起工作VECM
模型对象,把它传递给一个目标函数。
语法速记为您打造适合于无限制的参数估计模型模板的简便方法。例如,为了创建的含有一个协整关系和未知参数值3响应系列组成的VEC(2)模型,输入:
MDL = VECM(3,1,2);
numseries
-<小号pan itemprop="purpose">时间序列号的时间序列,指定为正整数。numseries
指定的多变量响应变量和创新的维数,ÿ<小号ub>Ť和ε<小号ub>Ť,分别。
数据类型:双
排名
-<小号pan itemprop="purpose">协整关系的数协整关系,指定为一个非负整数的数量。该模型中的调整和协整矩阵具有排名
线性无关列,并且是numseries
-通过-排名
组成的矩阵为NaN
值。
数据类型:双
numlags
-<小号pan itemprop="purpose">的第一反应差异数在VEC的短期多项式中包含的第一个响应差异数(p- 1)模型,指定为一个非负整数。那是,numlags
=p- 1。因此,numlags
指定与相应的相关联的VAR短期换算的数(p)模型。
所有具有滞后numseries
-通过-numseries
短期系数矩阵组成为NaN
值。
数据类型:双
指定可选的用逗号分隔的对名称,值
参数。名称
参数名和值
是对应的值。名称
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名1,值1,...,NameN,值N
。
该手写语法允许您创建,其中一些或所有的系数被称为模型。在估计,估计
强加任何已知的参数等式约束。指定足够的信息VECM
推断响应级数的个数和共积分秩。
'调整',楠(3,2), '时滞',[4 8]
指定一个三维VEC(8)模型在滞后2个协整关系和非零短期系数矩阵4
和8
。
“时滞”
-<小号pan itemprop="purpose">短期多项式滞后1:(P-1)
(默认)|<小号pan itemprop="inputvalue">独特的正整数数值向量短期多项式滞后,指定为逗号分隔的一对组成的“时滞”
和含有至多一个数值向量P
- 1个唯一正整数元素。
矩阵短期内{
是滞后系数Ĵ
}滞后(
。Ĵ
)
例:'时滞',[1 4]
数据类型:双
当您使用的名称 - 值对参数语法创建模型对象,你可以设置可写的属性值,或者在您通过使用点符号模型对象。例如,为了创建一个VEC在适合于模拟,以及两种响应系列协整秩一和没有整体时间趋势项组成的H1约翰森形式(1)的模式,输入:
MDL = VECM( '恒',[0; 0.01], '调整',[ - 0.1 0.15],... '协整',[1 -4], 'ShortRun',{[0.3 -0.15 0.1-0.3]},... '协方差',眼(2));Mdl.Trend = 0;
NumSeries
-<小号pan itemprop="purpose">时间序列号此属性是只读的。
的时间序列,指定为正整数。NumSeries
指定的多变量响应变量和创新的维数,ÿ<小号ub>Ť和ε<小号ub>Ť,分别。
数据类型:双
秩
-<小号pan itemprop="purpose">协整关系的数此属性是只读的。
协整关系,指定为一个非负整数的数量。该模型中的调整和协整矩阵具有秩
线性无关列,并NumSeries
-通过-秩
矩阵。
数据类型:双
P
-<小号pan itemprop="purpose">相应的VAR模型秩序此属性是只读的。
相应的VAR模型顺序,指定为一个非负整数。P
- 图1是在具有一个非零系数矩阵的短期多项式的最大滞后。在短期内多项式滞后有度小于P
- 1可以有完全由0组成的系数矩阵。
P
指定初始化模型所需的预采样观察数。
数据类型:双
描述
-<小号pan itemprop="purpose">型号说明模型的描述中,指定为字符串标量或特征向量。VECM
存储值作为字符串标量。默认值描述了该模型的参数形式,例如“2-维等级= 1 VEC(1)模型”
。
例:“说明”,“模式1”
数据类型:串
|烧焦
SeriesNames
-<小号pan itemprop="purpose">响应系列名称响应系列的名称,指定为NumSeries
长度的字符串矢量。默认值是['Y1 'Y2' ...“Y
。NumSeries
“]
例:'SeriesNames',{ 'CPI' '失业'}
数据类型:串
调整
-<小号pan itemprop="purpose">协整的调整速度NaN的(NumSeries,排名)
(默认)|<小号pan itemprop="inputvalue">数字矩阵协整的调整速度(一种),指定为NumSeries
-通过-秩
数字矩阵。
如果指定已知值的矩阵,那么所有列必须是线性无关的(也就是说,调整
必须是列满秩的矩阵)。
对于估计,您可以通过提供一个完全由数值或数值与缺失值混合组成的矩阵(为NaN
)值。
如果秩
=0
,然后调整
是一个空NumSeries
-通过-0
向量。
有关指定的详细信息调整
见算法。
例:'调整',NaN的(2,1)
数据类型:双
协整
-<小号pan itemprop="purpose">协整矩阵NaN的(NumSeries,排名)
(默认)|<小号pan itemprop="inputvalue">数字矩阵碰撞
-<小号pan itemprop="purpose">影响矩阵影响,或者长期水平,矩阵(Π),指定为NumSeries
-通过-NumSeries
数字矩阵。的秩碰撞
一定是秩
。
对于满秩模型的估计(秩
=NumSeries
),则可以通过提供包含数字的混合物的基质和缺失值强加的影响矩阵等式约束(为NaN
)。
如果1
≤秩
≤NumSeries
-1
,那么默认值是调整*协整的
。
如果秩
= 0,那么碰撞
是零矩阵。因此,该模型没有错误的校正项。
有关指定的详细信息碰撞
见算法。
例:'影响',[0.5 0.25 0;0.3 0.15 0;0 0 0.9]
数据类型:双
CointegrationConstant
-<小号pan itemprop="purpose">中恒协整关系的NaN(等级,1)
(默认)|<小号pan itemprop="inputvalue">数字矢量CointegrationTrend
-<小号pan itemprop="purpose">在协整关系的时间趋势的NaN(等级,1)
(默认)|<小号pan itemprop="inputvalue">数字矢量短期内
-<小号pan itemprop="purpose">短期系数矩阵与滞后响应差异有关短期系数矩阵,指定为的细胞载体NumSeries
-通过-NumSeries
数字矩阵。
指定对应于在那些系数系数符号VEC模型在差分方程符号表示。酒店P
是numel(ShortRun)+ 1
。
如果设置了“时滞”
名称 - 值对参数滞后
下列条件适用。
的长度短期内
和滞后
必须相等。
短期内{
是滞后系数矩阵吗Ĵ
}滞后(
。Ĵ
)
默认情况下,短期内
是numel(延迟)
×1组成的基质的细胞载体为NaN
值。
否则,应用以下条件。
短期内{
是滞后系数矩阵吗Ĵ
}Ĵ
。
默认情况下,短期内
是(P
- 1)×1组成的基质的细胞载体为NaN
值。
MATLAB假定当前,响应求差的系数(ΔÿŤ)是单位矩阵。因此,排除从该系数短期内
。
例:'ShortRun',{[0.5 -0.1;0.1 0.2]}
数据类型:细胞
Beta版
-<小号pan itemprop="purpose">回归系数矩阵NumSeries
-by-0空矩阵(默认)|<小号pan itemprop="inputvalue">数字矩阵回归系数矩阵与预测变量相关联的,指定为NumSeries
-通过-NumPreds
数字矩阵。NumPreds
是预测变量的数目,即,列在所述预测数据的数量。
Beta版(
包含每个预测器的回归系数响应的等式中ÿ<小号ub>Ĵ
:)Ĵ
,T。Beta版(:,
包含在预测器响应每个方程中的回归系数X<小号ub>ķ。默认情况下,所有的预测变量在所有反应方程式的回归成分。您可以通过指定等式约束,以0排除某些公式预测一定。ķ
)
例:在包含3个响应和4个预测变量,以排除第三方程式第二预测,并留下不受限制为人师表,指定[楠楠楠楠;楠楠楠楠;为NaN 0楠楠]
。
默认值指定在模型中没有回归系数。但是,如果指定的预测数据,当您估计使用模型估计
,然后MATLAB套Beta版
到的适当大小的矩阵为NaN
值。
例:'Beta',[2 3 -1 2;0.5 -1 -6 0.1]
数据类型:双
协方差
-<小号pan itemprop="purpose">创新的协方差矩阵NaN的(NumSeries)
(默认)|<小号pan itemprop="inputvalue">数字,正定矩阵创新的协方差矩阵NumSeries
每次创新Ť= 1,...,Ť,指定为NumSeries
-通过-NumSeries
数字,正定矩阵。
例:'协方差',眼(2)
数据类型:双
为NaN
在属性-valued元素指示未知,估计的参数。指定元素指示在模型估计参数等式约束。这些创新的协方差矩阵协方差
不能包含混合的为NaN
值和实数;你必须完全指定的协方差或者必须是完全未知(NaN的(NumSeries)
)。
假设一个VEC模型协整的4列和短期多项式度2是适合于建模的七个假设宏观经济计量时间序列的行为。
使用简化语法创建一个VEC(7,4,2)模型。
MDL = VECM(7,4,2)
MDL = VECM具有属性:说明: “7维评级= 4 VEC(2)与线性时间趋势模型” SeriesNames: “Y1”, “Y2”, “Y3” ...和4个NumSeries:7等级:4 P:3常数:调整[7×1的NaN矢量]:协整[7×4的NaN矩阵]:影响[7×4的NaN矩阵]:CointegrationConstant [7×7的NaN矩阵]:[4×1的NaN矢量] CointegrationTrend:[4×1个的向量的NaN] ShortRun的:在滞后[1 2]趋势{7×7矩阵的NaN}:[7×1的NaN]贝塔的向量:[7×0矩阵]协方差:[7×的NaN 7矩阵]
MDL
是VECM
,可作为参数估计的模板模型对象。MATLAB®认为为NaN
值作为未知参数值进行估计。例如,调整
属性是一个7×4矩阵为NaN
值。因此,调整速度来估计活动模型的参数。
默认情况下,MATLAB®包括在模型中总协整和线性时间趋势项。您可以通过删除时间趋势而言,就是通过设置创建H1约翰森形式的VEC模型趋势
财产0
使用点符号。
Mdl.Trend = 0
MDL = VECM具有属性:说明: “7维评级= 4 VEC(2)模型” SeriesNames: “Y1”, “Y2”, “Y3” ...和4个NumSeries:7等级:4 P:3常数:[7×1vector of NaNs] Adjustment: [7×4 matrix of NaNs] Cointegration: [7×4 matrix of NaNs] Impact: [7×7 matrix of NaNs] CointegrationConstant: [4×1 vector of NaNs] CointegrationTrend: [4×1 vector of NaNs] ShortRun: {7×7 matrices of NaNs} at lags [1 2] Trend: [7×1 vector of zeros] Beta: [7×0 matrix] Covariance: [7×7 matrix of NaNs]
MATLAB®扩张趋势
至适当的长度,零的一个7×1矢量。
考虑这个VEC(1)三种假设响应序列模型。
创新点是均值为0的多元高斯分布和协方差矩阵
创建参数值的变量。
调整= [-0.3 0.3;-0.2 0.1;-1 0];协整= [0.1 -0.7;-0.2 0.5;0.2 0.2]。ShortRun = {[0。0.1 0.2;0.2 -0.2 0;0.7 -0.2 0.3]}; Constant = [-1; -3; -30]; Trend = [0; 0; 0]; Covariance = [1.3 0.4 1.6; 0.4 0.6 0.7; 1.6 0.7 5];
创建一个VECM
使用适当的名称 - 值对参数表示VEC(1)模型的模型对象。
MDL = VECM(<小号pan style="color:#A020F0">'调整',调整,<小号pan style="color:#A020F0">“协整”协整,<小号pan style="color:#0000FF">...'不变',不变,<小号pan style="color:#A020F0">'短期内',短期内,<小号pan style="color:#A020F0">'趋势',趋势,<小号pan style="color:#0000FF">...协方差的,协方差)
MDL = VECM与属性:描述: “立体评级= 2 VEC(1)模型” SeriesNames: “Y1”, “Y2”, “Y3” NumSeries:3等级:2个P:2常数:[-1 -3 -30]' Adjustment: [3×2 matrix] Cointegration: [3×2 matrix] Impact: [3×3 matrix] CointegrationConstant: [2×1 vector of NaNs] CointegrationTrend: [2×1 vector of NaNs] ShortRun: {3×3 matrix} at lag [1] Trend: [3×1 vector of zeros] Beta: [3×0 matrix] Covariance: [3×3 matrix]
MDL
是否有效地完全指定了VECM
模型对象。也就是说,协整常数和线性趋势是未知的。但是,由于总的常数和趋势参数是已知的,因此不需要它们来进行模拟观测或预测。
默认情况下,VECM
属性的短期系数到第一滞后在短期多项式。考虑属性的短期系数矩阵另一个VEC模型短期内
到第四滞后术语,指明零用于第一滞后系数的矩阵,并且将所有其他为等于MDL
。创建此VEC(4)模型。
Mdl.ShortRun(4)= ShortRun;Mdl.ShortRun(1)= {0}
MDL = VECM与属性:描述: “立体评级= 2 VEC(4)模型” SeriesNames: “Y1”, “Y2”, “Y3” NumSeries:3等级:2个P:5常数:[-1 -3 -30]' Adjustment: [3×2 matrix] Cointegration: [3×2 matrix] Impact: [3×3 matrix] CointegrationConstant: [2×1 vector of NaNs] CointegrationTrend: [2×1 vector of NaNs] ShortRun: {3×3 matrix} at lag [4] Trend: [3×1 vector of zeros] Beta: [3×0 matrix] Covariance: [3×3 matrix]
或者,您可以使用以下命令创建另一个模型对象VECM
和相同的语法MDL
,但另外指定'时滞',4
。
请考虑以下七个宏观经济系列VEC模型,然后拟合模型的数据。
国内生产总值(GDP)
GDP物价平减指数
雇员支付的补偿
所有人的非农商业部门小时
有效联邦基金利率
个人消费支出
私人本地投资总额
假设图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<小号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。
确定是否需要将数据通过绘制在不同的地块系列进行预处理。
图;次要情节(2、2、1)情节(FRED.Time FRED.GDP);标题(<小号pan style="color:#A020F0">'国内生产总值');ylabel(<小号pan style="color:#A020F0">'指数');包含(<小号pan style="color:#A020F0">'日期');副区(2,2,2)情节(FRED.Time,FRED.GDPDEF);标题(<小号pan style="color:#A020F0">'GDP平减指数');ylabel(<小号pan style="color:#A020F0">'指数');包含(<小号pan style="color:#A020F0">'日期');副区(2,2,3-)情节(FRED.Time,FRED.COE);标题(<小号pan style="color:#A020F0">“支付的雇员报酬”);ylabel(<小号pan style="color:#A020F0">“$十亿”);包含(<小号pan style="color:#A020F0">'日期');副区(2,2,4)情节(FRED.Time,FRED.HOANBS);标题(<小号pan style="color:#A020F0">“非农商业领域时间”);ylabel(<小号pan style="color:#A020F0">'指数');包含(<小号pan style="color:#A020F0">'日期');
图;副区(2,2,1)情节(FRED.Time,FRED.FEDFUNDS);标题(<小号pan style="color:#A020F0">“联邦基金利率”);ylabel(<小号pan style="color:#A020F0">'百分');包含(<小号pan style="color:#A020F0">'日期');副区(2,2,2)情节(FRED.Time,FRED.PCEC);标题(<小号pan style="color:#A020F0">“消费支出”);ylabel(<小号pan style="color:#A020F0">“$十亿”);包含(<小号pan style="color:#A020F0">'日期');副区(2,2,3-)情节(FRED.Time,FRED.GPDI);标题(<小号pan style="color:#A020F0">“总国内私人投资”);ylabel(<小号pan style="color:#A020F0">“$十亿”);包含(<小号pan style="color:#A020F0">'日期');
稳定全系列,除了将联邦基金利率,通过应用数变换。100缩放由此带来的一系列使所有系列都以相同的规模。
FRED.GDP = 100 *日志(FRED.GDP);FRED.GDPDEF = 100 *日志(FRED.GDPDEF);FRED.COE = 100 *日志(FRED.COE);FRED.HOANBS = 100 *日志(FRED.HOANBS);FRED.PCEC = 100 *日志(FRED.PCEC);FRED.GPDI = 100 *日志(FRED.GPDI);
创建使用速记语法VEC(1)模型。指定变量名。
MDL = VECM(7,4,1);Mdl.SeriesNames = FRED.Properties.VariableNames
MDL = VECM具有属性:说明: “7维评级= 4 VEC(1)用线性时间趋势模型” SeriesNames: “GDP” “GDPDEF” “COE” ...和4个NumSeries:7等级:4 P:2常数:调整[7×1的NaN矢量]:协整[7×4的NaN矩阵]:影响[7×4的NaN矩阵]:CointegrationConstant [7×7的NaN矩阵]:[4×1的NaN矢量] CointegrationTrend:[4×1个的向量的NaN] ShortRun的:{7×7的NaN矩阵}在延迟[1]趋势:的NaN]贝塔[7×1的向量:[7×0矩阵]协方差:[7×7的NaN矩阵]
MDL
是VECM
模型对象。包含所有属性为NaN
值对应于待估计给定的数据参数。
估计使用整个数据集和默认选项的模型。
EstMdl =估计(MDL,FRED.Variables)
EstMdl = VECM具有属性:说明: “7维评级= 4 VEC(1)模型” SeriesNames: “GDP” “GDPDEF” “COE” ...和4个NumSeries:7等级:4 P:2常数:[14。1329 8.77841 -7.20359 ... and 4 more]' Adjustment: [7×4 matrix] Cointegration: [7×4 matrix] Impact: [7×7 matrix] CointegrationConstant: [-28.6082 109.555 -77.0912 ... and 1 more]' CointegrationTrend: [4×1 vector of zeros] ShortRun: {7×7 matrix} at lag [1] Trend: [7×1 vector of zeros] Beta: [7×0 matrix] Covariance: [7×7 matrix]
EstMdl
是估计VECM
模型对象。它完全指定的,因为所有的参数都具有已知值。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同于将等式约束设置为零。
显示从所述估计的简短摘要。
结果总结=(EstMdl)
结果=<小号pan class="emphasis">同场的结构:描述: “7维评级= 4 VEC(1)模型” 型号: “H1” 的采样大小:238个NumEstimatedParameters:112对数似然:-1.4939e + 03 AIC:3.2118e + 03 BIC:3.6007e + 03表:[表133x4]协方差:[7×7的双]相关:[7×7的双]
该表
现场结果
是参数估计值和相应的统计信息表。
这个例子从如下估计VEC模型。
创建并估计VEC(1)模型。将最后10个周期视为预测周期。
负载<小号pan style="color:#A020F0">Data_USEconVECModelFRED.GDP = 100 *日志(FRED.GDP);FRED.GDPDEF = 100 *日志(FRED.GDPDEF);FRED.COE = 100 *日志(FRED.COE);FRED.HOANBS = 100 *日志(FRED.HOANBS);FRED.PCEC = 100 *日志(FRED.PCEC);FRED.GPDI = 100 *日志(FRED.GPDI);Mdl =结果(7、4、1)
MDL = VECM具有属性:说明: “7维评级= 4 VEC(1)用线性时间趋势模型” SeriesNames: “Y1”, “Y2”, “Y3” ...和4个NumSeries:7等级:4 P:2常数:调整[7×1的NaN矢量]:协整[7×4的NaN矩阵]:影响[7×4的NaN矩阵]:CointegrationConstant [7×7的NaN矩阵]:[4×1的NaN矢量] CointegrationTrend:[4×1个的向量的NaN] ShortRun的:{7×7的NaN矩阵}在延迟[1]趋势:的NaN]贝塔[7×1的向量:[7×0矩阵]协方差:[7×7的NaN矩阵]
Y = {FRED 1:(结束 - 10),:};EstMdl =估计(MDL,Y)
描述:“7维秩= 4 VEC(1)模型”系列名称:“Y1”“Y2”“Y3”…和4个更多的数字系列:7秩:4 P: 2常数:[14.5023 8.46791 -7.08266…][7×4矩阵]协整:[7×4矩阵]影响:[7×7矩阵]协整常数:[-32.8433 -101.126 -84.2373…在滞后[1]趋势:[7×1 0向量]Beta:[7×0矩阵]协方差:[7×7矩阵]
使用所估计的模型预测10升的反应和样品中的数据作为样品前体观测。
YF =预测(EstMdl,10,Y);
在不同的地块,地块的一部分GDP
和GPDI
与他们的预测值系列。
图;情节(FRED.Time(结束 - 50:结束),FRED.GDP(结束 - 50:端));保持<小号pan style="color:#A020F0">上情节(FRED.Time((端 - 9):结束),YF(:,1))H = GCA;填充(FRED.Time([端 - 9结束端端 - 9]),h.YLim([1,1,2,2]),<小号pan style="color:#A020F0">数k,<小号pan style="color:#0000FF">...'FaceAlpha',0.1,<小号pan style="color:#A020F0">'EdgeColor',<小号pan style="color:#A020F0">'没有');传说(<小号pan style="color:#A020F0">'真正',<小号pan style="color:#A020F0">“预测”,<小号pan style="color:#A020F0">'位置',<小号pan style="color:#A020F0">'NW')标题(<小号pan style="color:#A020F0">'每季度GDP鳞甲:2004至2016年');ylabel(<小号pan style="color:#A020F0">“的$十亿(缩放)”);包含(<小号pan style="color:#A020F0">'年');保持<小号pan style="color:#A020F0">离
图;情节(弗雷德。Ťime(end - 50:end),FRED.GPDI(end - 50:end)); hold<小号pan style="color:#A020F0">上情节(FRED.Time((端 - 9):结束),YF(:,7))H = GCA;填充(FRED.Time([端 - 9结束端端 - 9]),h.YLim([1,1,2,2]),<小号pan style="color:#A020F0">数k,<小号pan style="color:#0000FF">...'FaceAlpha',0.1,<小号pan style="color:#A020F0">'EdgeColor',<小号pan style="color:#A020F0">'没有');传说(<小号pan style="color:#A020F0">'真正',<小号pan style="color:#A020F0">“预测”,<小号pan style="color:#A020F0">'位置',<小号pan style="color:#A020F0">'NW')标题(<小号pan style="color:#A020F0">“每季度鳞甲GPDI:2004至16年”);ylabel(<小号pan style="color:#A020F0">“的$十亿(缩放)”);包含(<小号pan style="color:#A020F0">'年');保持<小号pan style="color:#A020F0">离
一种矢量纠错(VEC)模型是一个多变量,随机时间序列模型组成的系统的米=numseries
方程米不同,差分响应变量。在系统方程可以包括误差修正项,这是用于稳定系统在水平的响应的线性函数。该协整秩[R是多少协整关系在系统中存在。
每个响应方程可以包括的响应一系列第一差异构成的自回归多项式(短期的多项式度p- 1),一个恒定的,一个时间趋势,外源预测变量,并在错误校正项的常数和时间的趋势。
A VEC(p- 1)建模差分方程的符号在还原形式可以通过两种方式来表示:
这个公式是组件形式的VEC模型,其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。
共积分关系是B”ÿŤ- 1+C0+d0Ť和误差校正项是一种(B”ÿŤ- 1+C0+d0Ť)。
这个公式是冲击形式的VEC模型,其中影响矩阵是显式的,而协整调整速度和协整矩阵暗示。
在等式:
ÿ<小号ub>Ť是一个米-by-1对应于值的矢量米在时间响应变量Ť,其中Ť= 1,...,Ť。
Δÿ<小号ub>Ť=ÿ<小号ub>Ť-ÿŤ- 1。结构系数是单位矩阵。
[R是协整关系,并在一般情况下,0的数量<[R<米。
一种是一个米-通过-[R矩阵调节速度。
乙是一个米-通过-[R协整矩阵。
Π是米-通过-米随着等级的影响矩阵[R。
C0是一个[R在协整关系常数(截距)的×1向量。
d0是一个[R-by-1中的协整关系的线性时间趋势矢量。
C1是一个米-乘1常数向量(确定性的线性趋势在ÿ<小号ub>Ť)。
d1是一个米-乘1向量的线性时间趋势值(确定性二次趋势在ÿ<小号ub>Ť)。
C=一种C0+C1并且是整体不变。
d=一种d0+d1并且是整体的时间趋势系数。
Φ<小号ub>Ĵ是一个米-通过-米短期系数,其中的基质Ĵ= 1,...,p- 1和Φ<小号ub>p- 1不是只包含零的矩阵。
X<小号ub>Ť是ķ-by-1对应于值的矢量ķ外生预测变量。
β是一个米-通过-ķ回归系数矩阵。
ε<小号ub>Ť是一个米×1矢量随机高斯创新的,每一个平均的0和集体的米-通过-米协方差矩阵Σ。对于Ť≠小号,ε<小号ub>Ť和ε<小号ub>小号是独立的。
冷凝,滞后算符号,该系统是
哪里<小号pan class="inlineequation"> ,一世是个米-通过-米单位矩阵,以及大号ÿ<小号ub>Ť=ÿŤ- 1。
如果米=[R,那么VEC模型是一种稳定的VAR(p)建立响应级别的模型。如果[R= 0,则误差校正项是零矩阵,并且VEC(p- 1)模型是一种稳定的VAR(p- 1)在反应的第一个差别模型。
该约翰森形式的VEC模型相对于确定条件的存在而不同。正如详细[2]中,估计过程的形式之间的不同。因此,估计期间在确定条件允许的等式约束的形式不同而有差异。有关详细信息,请参阅确定条件的作用。
此表描述了五种Johansen形式并支持等式约束。万博1manbetx
形成 | 纠错期限 | 确定性系数 | 等式约束 |
---|---|---|---|
H2 | AB“ÿŤ- 1 |
C= 0(不变)。 d= 0(趋势)。 C0= 0(CointegrationConstant)。 d0= 0(CointegrationTrend)。 |
您可以充分说明乙。 所有确定性系数均为零。 |
H1 * | 一种(乙“ÿŤ-1+C0) |
C=一种C0。 d= 0。 d0= 0。 |
如果完全或者指定乙要么C0,则必须完全指定其他。 的值C从C0和一种。 所有的确定性趋势是零。 |
H1 | 一种(乙“ÿŤ-1+C0)+C1 |
C=一种C0+C1。 d= 0。 d0= 0。 |
您可以充分说明乙。 您可以指定的混合物 的值C0从C和一种。 所有的确定性趋势是零。 |
H* | 一种(乙“ÿŤ-1+C0+d0Ť)+C1 |
C=一种C0+C1。 d=一种d0。 |
如果完全或者指定乙要么d0,则必须完全指定其他。 您可以指定的混合物 的值C0从C和一种。 的值d从一种和d0。 |
H | 一种(乙“ÿŤ-1+C0+d0Ť)+C1+d1Ť |
C=一种C0+C1。 d=一种。d0+d1。 |
您可以充分说明乙。 您可以指定的混合物 MATLAB得出的值C0和d0从C,d和一种。 |
VEC模型可以采取两种形式:组件形式要么冲击形式。
如果你创建一个VECM
使用简写语法建模对象,然后为这些属性中的至少一个赋值-调整
,协整
,CointegrationConstant
, 要么CointegrationTrend
-before将值分配给所述碰撞
属性,则模型采用组件形式。
如果你创建一个VECM
使用普通写法语法通过以分配一个值模型对象的任一调整
要么协整
财产(或两者),但离开碰撞
属性未指定,则该模型的组件形式。
如果1
≤秩
≤NumSeries
-1
作为对于大多数VEC模型分析的情况下,那么就可以更方便地以组件形式,而不是冲击形式的模型工作。
该碰撞属性是只读的,它取决于该值协整
和调整
属性。特别,碰撞
=调整*协整的
。
在估计,MATLAB适合VEC模型与数据的两个步骤。首先,它估计协整关系。其次,构建从差分响应和短期多项式,包括估计的协整关系的外生项的VARx前提型号,然后符合VARx前提模型的差分响应数据。
如果你创建一个VECM
使用速记语法模型对象,然后分配一个值到碰撞
任何这些属性 - 分配一个值之前物业调整
,协整
,CointegrationConstant
, 要么CointegrationTrend
- 然后该模型考虑的影响形式。
如果你创建一个VECM
使用普通写法语法通过将值分配给模型对象碰撞
财产,但留下无论是调整
要么协整
属性(或两者)未指定的,则该模型采用的影响的形式。
如果该值碰撞属性是一个满秩矩阵(秩
=NumSeries
),那么它可以是更方便的,在冲击形式,而不是组件形式的模型工作。相应VEC模型没有单位根。因此,该模型是一个稳定的VAR(P
)模型。因为每个单独的响应变量是稳定的,响应变量的任意线性组合也是稳定的。
由于矩阵分解不一定是唯一的,的值协整
和调整
性能是未知的。因此,在你通过VECM
模型对象估计
, MATLAB设置协整
属性设置NumSeries
-通过-NumSeries
单位矩阵和调整
属性的值碰撞
在估计VECM
模型对象。
该协整
和调整
属性是只读的并且依赖于价值碰撞
。
在估计,MATLAB拟合模型一步:它适合相当于VARx前提(P
)模型来将差值响应,并且包括ÿŤ- 1作为回归部件外源预测因子。
当使用了普通的语法来创建VECM
模型对象,如果您分配一个值碰撞
财产和任调整
要么协整
属性(或两者)同时,则使用MATLAB协整秩秩
以确定的形式VECM
模型对象。具体地,如果1≤秩
≤NumSeries
-1
,则该模型对象是组件形式。否则,模型对象是冲击形式。
如果完全指定的模式,那么形式VECM
模型对象是无关紧要的。
MATLAB不存储C1和δ1,但可以使用它们计算调整,不变,CointegrationConstant,趋势,CointegrationTrend和相应的约翰森形式的VEC模型。
[1]<小号pan>汉密尔顿,J. D.时间序列分析。普林斯顿,NJ:普林斯顿大学出版社,1994年。
[2]<小号pan>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]<小号pan>Juselius, K。在协整VAR模型。牛津:牛津大学出版社,2006年。
[4]<小号pan>Lütkepohl,H.新介绍多时间序列分析。柏林:施普林格,2005年。
egcitest
|<小号pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">jcitest
|<小号pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">jcontest
|<小号pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">var2vec
|<小号pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">vec2var
您单击对应于该MATLAB命令的链接:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。万博1manbetx
选择一个网站,以获得翻译的内容,其中可看到当地的活动和优惠。根据您的位置,我们建议您选择:<小号Ť[R上g class="recommended-country">。
选择<小号pan class="recommended-country">网站您还可以选择从下面的列表中的网站:
选择中国网站(中文或英文),以获得最佳的网站表现。其他MathWorks国家站点没有针对您所在位置的访问进行优化。