VAR模型预测，模拟和分析- MATLAB & Simulink - MathWorks Australia金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

VAR模型预测，模拟和分析

VAR模型预测

当您有参数（已知或估计）的模型时，可以检查模型的预测。有关创建VAR模型的信息，请参阅创建向量自回归(VAR)模型．有关估计模型的信息，请参见VAR模型估计．

这个列表描述了主要的预测方法。

使用预测,您可以:
- 生成最小均方错误预测和相应的均方误差矩阵。例如，请参见VAR模型预测．
- 生成条件预测和相应的均方误差矩阵，给出预测视界的一些未来响应值。例如，请参见预测VAR模型条件响应．
使用模拟,您可以:
- 为蒙特卡罗估计生成许多随机的未来响应路径。有关示例,请参见利用蒙特卡罗模拟预测VAR模型和模拟估计的VARX模型的响应．
- 在预测范围内给定一些未来响应值，生成许多随机的有条件的未来响应路径。例如，请参见模拟VAR模型条件响应．
使用过滤器，您可以通过蒙特卡罗估计模型通过许多未来创新的路径。使用过滤器模拟响应．

这些函数基于完全指定的模型对象和初始数据进行预测。其功能在创新过程中有所不同:

预测假定新鲜感的创新。因此,预测产生一个确定的预测，有条件的或其他的。
模拟假设多元创新是共同高斯分布的协方差矩阵Σ．模拟生成伪随机的蒙特卡罗样本路径。
过滤器需要创新过程路径。过滤器生成基于指定创新过程路径的确定样例路径。

预测是否比使用生成许多样例路径更快和需要更少的内存模拟或过滤器．然而，预测不像模拟和过滤器．例如，假设您在创建模型之前对某个时间序列进行了转换，并且希望在检查预测时撤销该转换。的变换给出的误差范围预测错误界限不是有效界限。相反，由变换后的仿真统计量给出的误差范围是有效的。

预测功能是如何工作的

无条件的预测,预测生成两个量:

基于0创新的确定性预测时间序列
时间序列的预测均方误差矩阵基于Σ，创新协方差矩阵。

有条件的预测:

预测需要一个未来响应数据数组，其中包含丢失的(南)和已知的价值观。预测根据已知值生成缺失值的预测。
由预测也是确定性的，但均方误差矩阵是基于Σ以及预测视界内的已知响应值。
预测使用卡尔曼滤波来生成预测。具体地说:
1. 预测表示VAR模型为状态空间模型(舰导弹模型对象)无观测误差。
2. 预测通过状态空间模型过滤预测数据。也就是说，在某个时期t在预测范围内，任何未知的反应都是
  
  ${\overset{＾}{y}}_{t} ＝ {\overset{＾}{Φ}}_{1} {\overset{＾}{y}}_{t - 1} + ．.. + {\overset{＾}{Φ}}_{p} {\overset{＾}{y}}_{t - p} + \overset{＾}{c} + \overset{＾}{δ} t + \overset{＾}{β} x_{t} ，$
  
  在哪里<年代pan class="inlineequation"> ${\overset{＾}{y}}_{年代} ，$ 年代<t，为过滤后的估计y从时间年代在预测范围内。预测使用预测期之前的预样本值。
有关详细信息，请参见过滤器和［4］，第612和615页。

对于任何类型的预测，初始化VAR(p)模型，预测需要ppresample观察。您可以选择指定多个预样例数据路径。如果你指定了多个路径，预测返回预测响应的三维数组，每个页面对应一个包含前示例值的路径。

无条件的模拟,模拟：

基于该模型，采用均值为零、协方差为Σ的多元高斯创新随机路径生成随机时间序列
通过模型过滤创新的随机路径

条件模拟:

模拟,就像预测，需要一个包含丢失值和已知值混合的未来响应数据数组，并为丢失的响应生成值。
模拟使用此过程执行条件模拟。在每一个时间t在预测范围内:
1. 模拟推断(或反过滤器)创新(E (t:))从已知的未来反应。
2. 对于错过未来的创新，模拟：
  1. 吸引了Z1的已知元素的随机标准高斯分布扰动E (t:)．
  2. 尺度Z1条件协方差矩阵的下三角乔尔斯基因子。也就是说,Z2＝L * Z1,在那里l＝胆固醇(协方差,“低”)和协方差为条件高斯分布的协方差。
  3. 背景Z2代替中相应的缺失值E (t:)．
3. 对于未来响应数据中缺失的值，模拟通过VAR模型过滤相应的随机创新Mdl．

对于任意类型的模拟:

模拟不需要样本前观察。预样例数据的默认值请参见“Y0”．
进行推理时，生成1000s的响应路径，然后在预测视界内从每次生成的路径估计样本统计量。例如,假设Y是一个预测路径的三维阵列。蒙特卡罗点和区间估计的时间预测t在预测的范围内
```
MCPointEst =意味着(Y（t、::),3);MCPointInterval =分位数(Y（t:,:) (0.025 - 0.975), 3);
```

也就是说，蒙特卡罗点估计是页面的平均值，而蒙特卡罗区间估计是由2.5个百分位数和97.5个百分位数组成。请注意，蒙特卡罗估计会受到蒙特卡罗误差的影响，因此在相同的条件下，每次使用不同的随机数种子运行分析时，估计都会不同。

数据扩展

如果在拟合模型之前对任何时间序列进行缩放，就可以对结果时间序列进行非缩放，从而更容易理解其预测。

如果你用日志，将对应模型的预测转换为经验值．
如果你用diff(日志)或者,同样,price2ret，将对应模型的预测转换为cumsum (exp),同样,ret2price．cumsum是diff；它计算累积的总和。与积分一样，您必须为累积和选择适当的相加常数。例如，取相应数据系列中最后一项的对数，并在应用之前将其作为该系列的第一项cumsum．

计算脉冲响应

你可以检查的效果脉冲响应模型与armairf．脉冲响应是时间序列模型对创新过程的确定性响应，在初始时间内，一个分量的值为一个标准差，其他所有分量和时间的值为零。脉冲响应函数的主要组成部分是动态乘数，即表示VAR模型的VMA系数。

给定一个完全指定的varm模型，您必须提供自回归系数armairf．默认情况下,armairf向系统发送单位冲击，导致预测误差脉冲响应．您可以选择提供创新协方差矩阵，并选择是否生成广义或使正交化脉冲响应。广义脉冲响应相当于通过VAR模型过滤每个创新的一个标准误差的冲击。正交脉冲响应通过创新协方差的下三角乔尔斯基因子来衡量动态乘数。有关详细信息，请参见［2］．

例如，请参见生成VAR模型的脉冲响应．

参考

[1]Lütkepohl，H.多时间序列分析新介绍．柏林:施普林格,2005年。

[2] Pesaran H. H.和Y. Shin。"线性多元模型中的广义脉冲响应分析"经济上的字母。1998年第58卷第17-29页。

另请参阅

对象

varm|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">舰导弹

功能

过滤器|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">price2ret|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">ret2price|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">diff|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">cumsum|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">过滤器|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">模拟|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">估计