配合向量自回归(VAR)模型数据
将VAR(4)模型与消费者价格指数(CPI)和失业率数据进行拟合。
加载Data_USEconModel
数据集。
加载Data_USEconModel
在不同的地块上绘制两个系列。
图;情节(DataTable.Time DataTable.CPIAUCSL);标题(“消费者价格指数”);ylabel(“指数”);xlabel('日期');
图;情节(DataTable.Time DataTable.UNRATE);标题(“失业率”);ylabel(“百分比”);xlabel('日期');
通过将CPI转化为一系列的增长率来稳定CPI。通过从失业率系列中删除第一个观察值来同步两个系列。
RCPI = price2ret(DataTable.CPIAUCSL);unrate = DataTable.UNRATE(2:结束);
创建使用语法速记默认VAR(4)模型。
MDL = varm(2,4)
Mdl = varm with properties: Description: "二维VAR(4) Model"系列名称:"Y1" "Y2" NumSeries: 2 P: 4 Constant:[2×1 vector of NaNs] AR:{2×2 matrices of NaNs} at[1 2 3…][2×1 0向量]Beta:[2×0矩阵]协方差:[2×2矩阵NaNs]
Mdl
是一个varm
模型对象。所有属性包含为NaN
值对应于要估计的给定数据的参数。
使用整个数据集估计模型。
EstMdl =估计值(Mdl,[rcpi unrate])
EstMdl = varm with properties: Description: "AR- stationary 2- dimensional VAR(4) Model" SeriesNames: "Y1" "Y2" NumSeries: 2 P: 4 Constant: [0.00171639 0.316255]' AR:{2×2 matrices} at[1 2 3…[2×1 0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。说明自回归多项式是平稳的。
显示来自评估的汇总统计信息。
总结(EstMdl)
AR-Stationary 2-Dimensional VAR(4) Model Effective Sample Size: 241 Number of Estimated Parameters: 18 LogLikelihood: 811.361 AIC: -1586.72 BIC:-1524年价值StandardError TStatistic PValue ___________ _________________ __________ __________常数(1)0.0017164 0.0015988 1.0735 0.28303常数(2)0.31626 0.091961 3.439 0.0005838基于“增大化现实”技术的{1}(1,1)0.30899 0.063356 4.877 1.0772 e-06 AR{1}(2, 1) -4.4834 3.6441 -1.2303 0.21857基于“增大化现实”技术的{1}(1、2)-0.0031796 0.0011306 -2.8122 0.004921基于“增大化现实”技术的{1}(2,2)1.3433 0.065032 20.656 8.546 e - 95基于“增大化现实”技术的{2}(1,1)0.22433 0.069631 3.2217 0.0012741基于“增大化现实”技术的{2}(2,1)7.1896 4.005 1.7951 0.072631基于“增大化现实”技术的{2}(1、2)0.0012375 0.0018631 0.6642 0.50656基于“增大化现实”技术的{2}(2,2)-0.26817 0.10716 -2.5025 0.012331 AR {3} (1,1) 0.35333 0.068287 5.1742 2.2887 e-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 0.49079 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创新协方差矩阵:0.0000 -0.0002 -0.0002 0.1167创新相关矩阵:1.0000 -0.0925 -0.0925 1.0000
将VAR(4)模型与消费者价格指数(CPI)和失业率数据进行拟合。估计样本开始于1980年第一季度。
加载Data_USEconModel
数据集。
加载Data_USEconModel
通过将CPI转化为一系列的增长率来稳定CPI。通过从失业率系列中删除第一个观察值来同步两个系列。
RCPI = price2ret(DataTable.CPIAUCSL);unrate = DataTable.UNRATE(2:结束);
识别与估计样本的开始相对应的索引。
estIdx = DataTable.Time(2:end) >“1979-12-31”;
创建使用语法速记默认VAR(4)模型。
Mdl = varm (2、4);
使用估计样本估计模型。指定估计样本之前的所有观察作为预采样数据。显示完整的评估摘要。
Y0 = [RCPI(〜estIdx)unrate(〜estIdx)];EstMdl =估计(MDL,[RCPI(estIdx)unrate(estIdx)]“Y0”,Y0,“显示”,“全部”);
AR-Stationary 2-Dimensional VAR(4) Model Effective Sample Size: 117 Number of Estimated Parameters: 18 LogLikelihood: 419.837 AIC: -803.674 BIC:-753.955价值StandardError TStatistic PValue __________ _________________ __________ __________常数(1)0.003564 0.0024697 1.4431 0.14898常数(2)0.29922 0.11882 2.5182 0.011795基于“增大化现实”技术的{1}(1,1)0.022379 0.092458 0.24204 0.80875基于“增大化现实”技术的{1}(2,1)-2.6318 4.4484 -0.59163 0.5541基于“增大化现实”技术的{1}(1、2)-0.0082357 0.0020373 -4.0425 5.2884 e-05 AR {1} (2, 2) 1.2567 0.09802 12.82 1.2601 e-37 AR{2}(1,1) 0.20954 0.10182 2.0581 0.039584基于“增大化现实”技术的{2}(2,1)10.106 4.8987 2.063 0.039117基于“增大化现实”技术的{2}(1、2)0.0058667 0.003194 1.8368 0.066236基于“增大化现实”技术的{2}(2,2)-0.14226 0.15367 -0.92571 0.35459 AR {3} (1,1) 0.56095 0.098691 5.6839 1.3167 e-08 AR {3} (2, 1) 0.44406 4.7483 0.093518 0.92549 AR {3} (1、2) 0.0049062 0.003227 1.5204 0.12841 AR {3} (2, 2) -0.040037 0.15526 -0.25787 0.7965 AR {4} (1,1) 0.046125 0.11163 0.41321 0.67945 AR {4} (2, 1) 6.758 5.3707 1.2583 0.20827 AR {4} (1、2) -0.0030032 0.002018 -1.4882 0.1367 AR{4}(2, 2) -0.14412 0.097094 -1.4843 0.13773创新协方差矩阵:0.0000 -0.0003 -0.0003 0.0790创新相关矩阵:1.0000 -0.1686 -0.1686 1.0000
因为VAR模型的程度p是4,估计
只使用了最后四个观察值Y0
presample。
估计消费者价格指数(CPI)、失业率和实际国内生产总值(GDP)的VAR(4)模型。包括包含本季度和最后四个季度政府消费支出和投资(GCE)的线性回归成分。
加载Data_USEconModel
数据集,计算实际GDP。
加载Data_USEconModelDataTable.RGDP = DataTable.GDP./DataTable.GDPDEF*100;
绘制在不同地块的所有变量。
图;次要情节(2、2、1)情节(DataTable.Time DataTable.CPIAUCSL);ylabel(“指数”);标题(“消费者价格指数”);次要情节(2 2 2)情节(DataTable.Time DataTable.UNRATE);ylabel(“百分比”);标题(“失业率”);副区(2,2,3-)情节(DataTable.Time,DataTable.RGDP);ylabel(“输出”);标题(“实际国内生产总值”次要情节(2,2,4)情节(DataTable.Time DataTable.GCE);ylabel(数十亿美元的);标题(“政府支出”)
通过将CPI、GDP和GCE系列转化为一系列的增长率来稳定CPI、GDP和GCE系列。通过删除第一个观察值,使失业率序列与其他序列同步。
inputVariables = {'CPIAUCSL'“RGDP”'GCE'};Data = varfun (@price2ret DataTable,'InputVariables'、数据源);Data.Properties。VariableNames =数据源;数据。UNRATE = DataTable.UNRATE(2:结束);
将GCE率系列扩展到一个矩阵,该矩阵包括它的当前值和四个滞后值。删除全球教育运动
变量的数据
。
rgcelag4 = lagmatrix (Data.GCE, 0:4);数据。全球教育运动= [];
创建使用语法速记默认VAR(4)模型。您不必创建模型时指定回归成分。
Mdl = varm (3、4);
估计使用整个样品的模型。指定GCE速率矩阵作为回归分量的数据。提取标准误差和对数似然值。
[EstMdl, EstSE logL] =估计(Mdl Data.Variables,'X',rgcelag4);
显示回归系数矩阵。
EstMdl.Beta
ANS =3×50.0777 -0.0892 -0.0685 -0.0181 0.0330 0.1450 -0.0304 0.0579 -0.0559 0.0185 -2.8138 -0.1636 0.3905 1.1799 -2.3328
EstMdl.Beta
是一个3×5矩阵。行对应于响应系列,列对应于预测器。
显示与系数估计相对应的标准误差矩阵。
EstSE.Beta
ANS =3×50.0250 0.0272 0.0275 0.0274 0.0243 0.0368 0.0401 0.0405 0.0403 0.0358 1.4552 1.5841 1.6028 1.5918 1.4145
EstSE.Beta
是相称EstMdl.Beta
。
显示loglikelihood值。
logL
logL = 1.7056 e + 03
Mdl
-VAR模型varm
模型对象包含未知参数值的VAR模型,指定为varm
返回的模型对象varm
。
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Mdl.Covariance
不能包含的混合为NaN
数值和实数;你必须完全指定协方差,否则它必须是完全未知的(南(Mdl.NumSeries)
)。
ÿ
-观察多元响应系列观察多变量响应序列估计
匹配模型,指定为numobs
——- - - - - -numseries
数字矩阵。
numobs
是样本大小。numseries
为响应变量个数(Mdl.NumSeries
)。
行对应于观测,最后一行包含最新的观察。
列对应于单个响应变量。
ÿ
表示样品前体反应系列中延续Y0
。
数据类型:双
指定可选的用逗号分隔的对名称,值
参数。的名字
是参数的名称和价值
是对应的值。的名字
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Name1, Value1,…,的家
。
'Y0',Y0, 'X',X
使用矩阵Y0
根据需要用于估计的样品前体的反应,并且包括在所述预测数据组成的线性回归部件X
。
“Y0”
-Presample反应预采样响应启动模型估计,指定为逗号分隔的对“Y0”
和一个numpreobs
——- - - - - -numseries
数字矩阵。
numpreobs
是样品前体观测值的数量。
行对应于样品前的观察,最后一行包含最新的观察。Y0
必须至少有Mdl.P
行。如果提供的行数超过所需,估计
采用了最新的Mdl.P
只有观察。
列必须对应于响应系列ÿ
。
默认情况下,估计
使用Y (1: Mdl.P,:)
,然后将模型拟合到Y (Mdl。P + 1):最终,:)
。此动作减少了有效样本大小。
数据类型:双
“显示”
-估计信息显示类型“关闭”
(默认)|“表”
|“全部”
估计信息显示类型,指定为逗号分隔对组成“显示”
并在此表中的值。
价值 | 描述 |
---|---|
“关闭” |
估计 在命令行上不显示评估信息。 |
“表” |
估计 显示一个评估信息表。行对应参数,列对应估计值,标准误差,Ť统计数据,p值。 |
“全部” |
除了汇总统计数据表,估计 显示所估计的协方差的创新和相关矩阵,对数似然值,赤池信息量准则(AIC),贝叶斯信息准则(BIC),和其他估计信息。 |
例子:“显示”,“全”
数据类型:字符串
|字符
'MaxIterations'
-允许求解最大迭代次数1000
(默认)|积极的数字标量为NaN
值ÿ
,Y0
,X
显示缺失值。估计
通过删除列表删除明智失踪的数据值。
presample,估计
去除含有至少一个任意行为NaN
。
对于估计样本,估计
删除连接的数据矩阵的任何行(X, Y)
至少包含一个为NaN
。
这种类型的数据的减少减小了有效样本大小。
EstMdl
- 估计VAR(p)模型varm
模型对象估计VAR(p)模型,返回为varm
模型对象。EstMdl
是完全指定的varm
模型。
估计
使用mvregress
实现多元正态,最大似然估计。有关更多细节,请参见多变量回归模型的估计(统计和机器学习工具箱)。
EstSE
-估计的,估计参数的渐近标准差估计值,估计值参数的渐近标准误差,作为结构数组返回,包含该表中的字段。
领域 | 描述 |
---|---|
常数 |
模型常数的标准误差对应于EstMdl.Constant , 一个numseries ×1数值向量 |
AR |
的自回归系数的标准差EstMdl.AR 与相对应的元件的单元矢量EstMdl.AR |
β |
对应于估计回归系数的标准误差EstMdl.Beta , 一个numseries ——- - - - - -numpreds 数字矩阵 |
趋势 |
对应于估算的线性时间趋势的标准误差EstMdl.Trend , 一个numseries ×1数值向量 |
如果估计
通过将任何参数固定为一个值,从而在估计过程中应用等式约束,则这些参数的相应标准误差为0
。
估计
从返回的期望费雪信息矩阵的倒数中提取所有的标准误差mvregress
(见标准错误(统计和机器学习工具箱)。
logL
-优化的loglikelihood目标函数值优化的loglikelihood目标函数值,作为数值标量返回。
[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。
[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。
[3]Juselius,K.在协整VAR模型。牛津:牛津大学出版社,2006年。
[4]Lütkepohl,H.多时间序列分析的新介绍。柏林:施普林格出版社,2005年。
您单击对应于该MATLAB命令的链接:
在MATLAB命令窗口中输入命令,运行该命令。Web浏览器不支持MATLAB命令。万博1manbetx
你也可以从以下列表中选择一个网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。