向量自回归(VAR)模型的蒙特卡罗模拟
模拟
通过执行此过程中的所有页面条件模拟ķ
= 1,...,numpaths
并且每次Ť
= 1,...,numobs
。
模拟
推断(或逆滤波器)的创新E(
从已知的未来回应Ť
,:,ķ
)YF(
。对于Ť
,:,ķ
)E(
,Ť
,:,ķ
)模拟
模仿的模式为NaN
出现在值YF(
。Ť
,:,ķ
)
对于丢失的元素E(
,Ť
,:,ķ
)模拟
执行这些步骤。
画Z1
中,随机,标准高斯分布干扰对的已知元件的条件E(
。Ť
,:,ķ
)
规模Z1
由条件协方差矩阵的下三角的Cholesky因数。那是,Z2
=L * Z1
,其中大号
=CHOL(C, '下')
和C
是有条件的高斯分布的协方差。
归罪Z2
代替相应的遗漏值的E(
。Ť
,:,ķ
)
在遗漏值YF(
,Ť
,:,ķ
)模拟
通过模型筛选相应的随机创新MDL
。
模拟
使用此过程来确定时间原点Ť0的模型,包括线性时间趋势。
[1]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]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.在协整VAR模型。牛津:牛津大学出版社,2006年。
[4]Lütkepohl,H.新介绍多时间序列分析。柏林:施普林格,2005年。