文档帮助中心
配合向量自回归(VAR)模型数据
EstMdl =估计(MDL,Y)
EstMdl =估计(MDL,Y,名称,值)
[EstMdl,EstSE] =估计(___)
[EstMdl,EstSE,logL,E] =估计(___)
例
EstMdl=估计(MDL,ÿ)返回一个完全指定VAR(p)模型。从拟合VAR所得该模型存储所估计的参数值(p)模型MDL所观察到的响应多元系列ÿ使用最大似然。
EstMdl=估计(MDL,ÿ)
EstMdl
MDL
ÿ
EstMdl=估计(MDL,ÿ,名称,值)使用由一个或多个名称值对参数中指定的附加选项。例如,您可以指定样品前体反应或外源性的预测数据。
EstMdl=估计(MDL,ÿ,名称,值)
名称,值
[EstMdl,EstSE] =估计(___)返回使用任何在前面的语法的输入参数所估计的参数的估计,渐近标准误差。
EstSE
[EstMdl,EstSE,logL,Ë] =估计(___)返回优化对数似然的目标函数值(logL)和多元残差(Ë)。
[EstMdl,EstSE,logL,Ë] =估计(___)
logL
Ë
全部收缩
飞度VAR(4)模型的居民消费价格指数(CPI)和失业率数据。
加载Data_USEconModel数据集。
Data_USEconModel
加载Data_USEconModel
绘制在不同的地块两大系列。
数字;情节(DataTable.Time,DataTable.CPIAUCSL);标题('消费者价格指数');ylabel('指数');xlabel('日期');
数字;情节(DataTable.Time,DataTable.UNRATE);标题('失业率');ylabel('百分');xlabel('日期');
通过将其转换为一系列增长率的稳定CPI。通过从失业率系列的第一观察同步两大系列。
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具有属性:说明: “2维VAR(4)模型” SeriesNames: “Y1”, “Y2” NumSeries:2,P:4常数:AR [2×1的NaN矢量]:{2×2点矩阵的的NaN}在滞后[1 2 3 ...和1更多]趋势:测试[2×1零矢量]:[2×0矩阵]协方差:[2×2的NaN矩阵]
MDL是varm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。
varm
为NaN
估计使用整个数据集模型。
EstMdl =估计(MDL,[RCPI unrate])
EstMdl = varm与属性:描述: “AR-固定2维VAR(4)模型” SeriesNames: “Y1”, “Y2” NumSeries:2,P:4常数:[0.00171639 0.316255]” AR:{2×2矩阵}在滞后[1 2 3 ...和1更多]趋势:[零的2×1向量]贝塔:[2×0矩阵]协方差:[2×2矩阵]
EstMdl是估计varm模型对象。它完全指定的,因为所有的参数都具有已知值。该说明指出自回归多项式是静止的。
显示从估算汇总统计。
总结(EstMdl)
AR-2固定维VAR(4)模型有效样本规模:241估计的参数的数量:18对数似然:811.361 AIC:-1586.72 BIC:-1524值StandardError的TStatistic p值___________ _____________ __________ __________常数(1)0.0017164 0.0015988 1.0735 0.28303恒(2)0.31626 0.091961 3.439 0.0005838 AR {1}(1,1)0.30899 0.063356 4.877 1.0772e-06 AR {1}(2,1)-4.4834 3.6441 -1.2303 0.21857 AR {1}(1,2)-0.0031796 0.0011306-2.8122 0.004921 AR {1}(2,2)1.3433 0.065032 20.656 8.546e-95 AR {2}(1,1)0.22433 0.069631 3.2217 0.0012741 AR {2}(2,1)7.1896 4.005 1.7951 0.072631 AR {2}(1,2)0.0012375 0.0018631 0.6642 0.50656 AR {2}(2,2)-0.26817 0.10716 -2.5025 0.012331 AR {3}(1,1)0.35333 0.068287 5.1742 2.2887e-07 AR {3}(2,1)1.487 3.92770.37858 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
飞度VAR(4)模型的居民消费价格指数(CPI)和失业率数据。估计样本开始于1980年第一季度。
识别对应于所述估计样品的开始索引。
estIdx = DataTable.Time(2:结束)>“1979年12月31日”;
MDL = varm(2,4);
估计使用估计样本模型。指定估计样品样品前数据之前所有观测。显示完整的估计总结。
Y0 = [RCPI(〜estIdx)unrate(〜estIdx)];EstMdl =估计(MDL,[RCPI(estIdx)unrate(estIdx)]'Y0',Y0,'显示',“充分”);
AR-2固定维VAR(4)模型有效样本规模:117估计的参数的数量:18对数似然:419.837 AIC:-803.674 BIC:-753.955值StandardError的TStatistic p值__________ _____________ __________ __________常数(1)0.003564 0.0024697 1.4431 0.14898恒(2)0.29922 0.11882 2.5182 0.011795 AR {1}(1,1)0.022379 0.092458 0.24204 0.80875 AR {1}(2,1)-2.6318 4.4484 -0.59163 0.5541 AR {1}(1,2)-0.0082357 0.0020373 -4.0425 5.2884E-05 AR {1}(2,2)1.2567 0.09802 12.82 1.2601e-37 AR {2}(1,1)0.20954 0.10182 2.0581 0.039584 AR {2}(2,1)10.106 4.8987 2.063 0.039117 AR {2}(1,2)0.0058667 0.003194 1.8368 0.066236 AR {2}(2,2)-0.14226 0.15367 -0.92571 0.35459 AR {3}(1,1)0.56095 0.098691 5.6839 1.3167e-08 AR {3}(2,1)0.44406 4.74830.093518 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
由于VAR模型程度p是4,估计只使用在过去的四点看法Y0作为样品前。
估计
Y0
估计VAR(4)居民消费价格指数(CPI),失业率,以及实际国内生产总值(GDP)的模型。包括含有当前季度的线性回归分量和政府消费支出和投资(GCE)的过去四个季度。
加载Data_USEconModel数据集。计算的实际国内生产总值。
加载Data_USEconModelDataTable.RGDP = DataTable.GDP./DataTable.GDPDEF*100;
绘制在不同地块的所有变量。
数字;副区(2,2,1)情节(DataTable.Time,DataTable.CPIAUCSL);ylabel('指数');标题('消费者价格指数');副区(2,2,2)情节(DataTable.Time,DataTable.UNRATE);ylabel('百分');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”)副区(2,2,4)情节(DataTable.Time,DataTable.GCE);ylabel(“$十亿”);标题(“政府支出)
每个转换成一连串增长率的稳定CPI,GDP和GCE系列。通过移除它的第一个观测同步失业率系列与他人。
inputVariables = {'CPIAUCSL''RGDP''GCE'};数据= varfun(@ price2ret,数据表,'InputVariables',inputVariables);Data.Properties.VariableNames = inputVariables;Data.UNRATE = DataTable.UNRATE(2:结束);
通过四个滞后值展开GCE率系列,其包括它的当前值的矩阵和向上。去除GCE从变量数据。
GCE
数据
rgcelag4 = lagmatrix(Data.GCE,0:4);Data.GCE = [];
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的矩阵。行对应于响应系列,以及列对应于预测。
显示对应于系数估计的标准误差的矩阵。
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。
显示对数似然值。
logL = 1.7056e + 03
含有未知参数值,VAR模型指定为varm模型对象通过返回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(Mdl.NumSeries))。
Mdl.Covariance
NaN的(Mdl.NumSeries)
观察多元响应系列到估计适合的模式,指定为numobs-通过-numseries数字矩阵。
numobs
numseries
numobs是样本大小。numseries是(响应变量的数目Mdl.NumSeries)。
Mdl.NumSeries
行对应于观测,最后一行包含最新的观察。
列对应于各个响应变量。
ÿ表示样品前体反应系列中延续Y0。
数据类型:双
双
指定可选的用逗号分隔的对名称,值参数。名称是参数的名称和值是对应的值。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。
名称
值
名1,值1,...,NameN,值N
'Y0',Y0, 'X',X
X
'Y0'
样品前体的反应以启动模型估计,指定为逗号分隔的一对组成的'Y0'和numpreobs-通过-numseries数字矩阵。
numpreobs
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。如果你超过必要提供更多的行,估计采用了最新的Mdl.P只有观察。
Mdl.P
列必须对应于响应系列ÿ。
默认,估计使用Y(1:Mdl.P,:)作为样品前的观察,然后符合模型Y((Mdl.P + 1):端,:)。此动作减少了有效样本大小。
Y(1:Mdl.P,:)
Y((Mdl.P + 1):端,:)
'X'
在模型回归部件预测数据,指定为逗号分隔的一对组成的'X'和包含数字矩阵numpreds列。
numpreds
numpreds是预测变量的数目。
行对应于观测,最后一行包含最新的观察。估计在样品前期间不使用回归成分。X必须至少有尽可能多的观察为是在样品前期后使用。
如果您指定Y0, 然后X必须至少有numobs行(见ÿ)。
除此以外,X必须至少有numobs-Mdl.P观测占样品前去除。
在这两种情况下,如果你超过必要提供更多的行,估计只使用了最新的观测数据。
列对应于个体预测变量。所有预测器变量存在于每个响应方程的回归组件。
默认,估计不包括在回归部件,而不管其存在的MDL。
'显示'
“关”
“表”
“充分”
估计信息显示类型,指定为逗号分隔的一对组成的'显示'并在此表中的值。
例:“显示”,“全”
“显示”,“全”
数据类型:串|烧焦
串
烧焦
'MaxIterations'
1000
允许求解器的迭代的最大次数,指定为逗号分隔的一对组成的'MaxIterations'和一个正数的标量。
估计急件MaxIterations至mvregress。
MaxIterations
mvregress
为NaN价值观ÿ,Y0和X表明缺失值。估计通过删除列表删除明智失踪的数据值。
对于样品前,估计去除含有至少一个任意行为NaN。
在估计样本,估计删除连接数据矩阵的任意一行[Y X]含有至少一个为NaN。
[Y X]
这种类型的数据的减少减小了有效样本大小。
估计VAR(p)模型,返回为varm模型对象。EstMdl是一部全面规定varm模型。
估计使用mvregress实行多元正态分布,最大似然估计。有关详细信息,请参阅多变量回归模型的估计(统计和机器学习工具箱)。
估计,所估计的参数的渐近标准误差,返回包含该表中的字段的结构阵列。
不变
EstMdl.Constant
AR
EstMdl.AR
Beta版
趋势
EstMdl.Trend
如果估计通过任何参数固定到一个值,那么相应的这些参数的标准误差是估计期间应用于等式约束0。
0
估计提取所有的标准误差由返回预期Fisher信息矩阵的逆mvregress(看到标准误差(统计和机器学习工具箱))。
优化的对数似然目标函数值,返回一个数字标。
从拟合模型多元残差,返回包含数值矩阵numseries列。
如果您指定Y0, 然后Ë已numobs行(见ÿ)。
除此以外,Ë已numobs-Mdl.P行占样品前去除。
[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。
过滤
预测
推断
模拟
总结
VECM
这个例子的修改版本的系统上存在。你要打开这个版本呢?
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。金宝app
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:。
您还可以选择从下面的列表中的网站:
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。
请联系您当地的办事处