预测

预测向量自回归（VAR）模型的响应

全页折叠

句法

Y =预测（MDL，numperiods，Y0）

Y =预测（MDL，numperiods，Y0，名称，值）

[Y，YMSE] =预测（<小号pan class="argument_placeholder">___）

描述

例

ÿ=预测（Mdl，numperiods，Y0）返回最小均方误差(MMSE)预测路径(ÿ）在长度numperiods预测范围使用完全指定的VAR（p)模型Mdl。预测响应表示样品前数据的延续Y0。

例

ÿ=预测（Mdl，numperiods，Y0，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，你可以指定未来的外生预测数据或包括有条件的预测未来的响应。

例

[ÿ，YMSE] =预测（<小号pan class="argument_placeholder">___）使用前面语法中的任何输入参数，返回每个预测响应的相应的均方误差(MSE)。

例子

全部折叠

从VAR（4）模型预测的响应无条件系列

打开生活的脚本

将VAR(4)模型与消费者价格指数(CPI)和失业率数据相匹配。然后，根据估计模型预测无条件MMSE响应。

加载Data_USEconModel数据集。

加载<小号pan style="color:#A020F0">Data_USEconModel

把这两个系列放在不同的地块上。

数字;情节（DataTable.Time，DataTable.CPIAUCSL）;标题(<小号pan style="color:#A020F0">'消费者价格指数');ylabel（<小号pan style="color:#A020F0">“指数”);xlabel（<小号pan style="color:#A020F0">'日期');

数字;情节（DataTable.Time，DataTable.UNRATE）;标题(<小号pan style="color:#A020F0">“失业率”);ylabel（<小号pan style="color:#A020F0">“百分比”);xlabel（<小号pan style="color:#A020F0">'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);[rcpi unrate]，<小号pan style="color:#A020F0">'RowTimes'，DataTable.Time（2：结束），<小号pan style="color:#0000FF">...'VariableNames',{<小号pan style="color:#A020F0">'RCPI'，<小号pan style="color:#A020F0">'unrate'}）;

创建使用语法速记默认VAR（4）模型。

MDL = varm（2,4）;

估计使用整个数据集模型。

EstMdl =估计（MDL，Data.Variables）;

EstMdl是完全指明的，估计varm模型对象。

在三年的时间范围内，来自估计模型的预测响应。将整个数据集指定为预充足的观测值。

numperiods = 12;Y0 = Data.Variables;Y =预测（EstMdl，numperiods，Y0）;

ÿ是预测响应的12×2矩阵。第一列和第二列分别包含模拟CPI增长率和失业率。

绘制预测的响应和最后的50个真实响应。

FH = dateshift（Data.Time（结束），<小号pan style="color:#A020F0">'结束'，<小号pan style="color:#A020F0">'25美分硬币'，1：12）;数字;H1 =情节（Data.Time（（端-49）：结束），Data.rcpi（（端-49）：结束））;保持<小号pan style="color:#A020F0">在;h2 =情节(fh, Y (: 1));标题(<小号pan style="color:#A020F0">“CPI增速”);ylabel（<小号pan style="color:#A020F0">'增长率');xlabel（<小号pan style="color:#A020F0">'日期');甘氨胆酸h =;填写([Data.Time(end) fh([end end]) . time (end)]，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');图例（[H1 H2]，<小号pan style="color:#A020F0">'真正'，<小号pan style="color:#A020F0">'预测')举行<小号pan style="color:#A020F0">从;

数字;H1 =情节（Data.Time（（端-49）：结束），Data.unrate（（端-49）：结束））;保持<小号pan style="color:#A020F0">在;H2 =情节（FH，Y（：，2））;标题(<小号pan style="color:#A020F0">“失业率”);ylabel（<小号pan style="color:#A020F0">“百分比”);xlabel（<小号pan style="color:#A020F0">'日期');甘氨胆酸h =;填写([Data.Time(end) fh([end end]) . time (end)]，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');图例（[H1 H2]，<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">'西北')举行<小号pan style="color:#A020F0">从;

预测VARX(4)模型

打开生活的脚本

估计一个四度向量自回归模型，包括消费者价格指数(CPI)、失业率和国内生产总值(GDP)的外生预测因子(VARX(4))。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。根据估计模型预测响应路径。

加载Data_USEconModel数据集。计算的实际国内生产总值。

加载<小号pan style="color:#A020F0">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（<小号pan style="color:#A020F0">“指数”);标题(<小号pan style="color:#A020F0">'消费者价格指数');副区（2,2,2）情节（DataTable.Time，DataTable.UNRATE）;ylabel（<小号pan style="color:#A020F0">“百分比”);标题(<小号pan style="color:#A020F0">“失业率”);副区（2,2,3-）情节（DataTable.Time，DataTable.RGDP）;ylabel（<小号pan style="color:#A020F0">“输出”);标题(<小号pan style="color:#A020F0">“实际国内生产总值”);副区（2,2,4）情节（DataTable.Time，DataTable.GCE）;ylabel（<小号pan style="color:#A020F0">“$十亿”);标题(<小号pan style="color:#A020F0">“政府支出);

每个转换成一连串增长率的稳定CPI，GDP和GCE。通过移除它的第一个观测同步失业率系列与他人。

数据源= {<小号pan style="color:#A020F0">'CPIAUCSL'“RGDP”“全球教育运动”};数据= varfun（@ price2ret，数据表，<小号pan style="color:#A020F0">'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。

rgcelag4 = lagmatrix（Data.GCE，0：4）;Data.GCE = [];

创建使用语法速记默认VAR（4）模型。

MDL = varm（3,4）;Mdl.SeriesNames = [<小号pan style="color:#A020F0">“RCPI”“unrate”“rgdpg”]。

估计使用所有，但在过去三年的数据模型。指定GCE矩阵作为回归分量的数据。

BFH = Data.Time（结束） - 年（3）;estIdx = Data.Time “X”，rgcelag4（estIdx，:)）;

预测的季报反应3年到未来的路径。

Y0 =数据（estIdx，:)变量。Y =预测（EstMdl，12，数据（estIdx，:)。变量，<小号pan style="color:#A020F0">“X”，rgcelag4（〜estIdx，:)）;

ÿ是模拟响应的12×3矩阵。列分别对应于CPI增长率，失业率，GDP与实际GDP的增长速度。

绘制预测的响应和最后的50个真实响应。

数字;<小号pan style="color:#0000FF">对于j = 1: Mdl。h1 = plot(Data. time ((end-49):end)，Data{(end-49):end,j});保持<小号pan style="color:#A020F0">在;H2 =情节（Data.Time（〜estIdx），Y（：，J））;标题（Mdl.SeriesNames {Ĵ}）;甘氨胆酸h =;补（[BFH h.XLim（[2 2]）BFH]，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');保持<小号pan style="color:#A020F0">从;<小号pan style="color:#0000FF">结束HL =图例（[H1 H2]，<小号pan style="color:#A020F0">'数据'，<小号pan style="color:#A020F0">'预测');hl.Position = [0.6 0.25 hl.Position（3：4）];

估计预测区间

打开生活的脚本

使用预测区间在三年地平线分析预测的准确性。这个例子从如下从VAR（4）模型预测的响应无条件系列。

加载Data_USEconModel数据集和预处理数据。

加载<小号pan style="color:#A020F0">Data_USEconModelrcpi = price2ret (DataTable.CPIAUCSL);unrate = DataTable.UNRATE(2:结束);[rcpi unrate]，<小号pan style="color:#A020F0">'RowTimes'，DataTable.Time（2：结束），<小号pan style="color:#0000FF">...'VariableNames',{<小号pan style="color:#A020F0">'RCPI'，<小号pan style="color:#A020F0">'unrate'}）;

估计VAR（4）的两个响应一系列模型。保留过去三年的数据。

BFH = Data.Time（结束） - 年（3）;estIdx = Data.Time

在三年的时间范围内，来自估计模型的预测响应。将整个数据集指定为预充足的观测值。返回预测的MSE。

numperiods = 12;Y0 =数据（estIdx，:)变量。[Y，YMSE] =预测（EstMdl，numperiods，Y0）;

ÿ是预测响应的12×2矩阵。YMSE是一个对应的MSE矩阵的12×1的细胞向量。

提取从矩阵主对角线元素中的每个单元YMSE。应用结果的平方根来获得标准误差。

extractMSE = @（x）的诊断（X）';MSE = cellfun（extractMSE，YMSE，<小号pan style="color:#A020F0">'UniformOutput'、假);SE =√cell2mat (MSE));

对于每个响应系列估计近似95％预测区间。

YFI = 0 (numperiods Mdl.NumSeries 2);YFI(:，:，1) = Y - 2*SE;YFI(:，:，2) = Y + 2*SE;

绘制预测的响应和最后的50个真实响应。

数字;H1 =情节（Data.Time（（端-49）：结束），Data.rcpi（（端-49）：结束））;保持<小号pan style="color:#A020F0">在;H2 =情节（Data.Time（〜estIdx），Y（：，1））;H3 =情节（Data.Time（〜estIdx），YFI（：，1,1），<小号pan style="color:#A020F0">'K--');情节（Data.Time（〜estIdx），YFI（：，1,2），<小号pan style="color:#A020F0">'K--');标题(<小号pan style="color:#A020F0">“CPI增速”);ylabel（<小号pan style="color:#A020F0">'增长率');xlabel（<小号pan style="color:#A020F0">'日期');甘氨胆酸h =;补（[BFH h.XLim（[2 2]）BFH]，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');传奇((h1 h2 h3),<小号pan style="color:#A020F0">'真正'，<小号pan style="color:#A020F0">'预测'，<小号pan style="color:#A020F0">'95％预测区间”，<小号pan style="color:#0000FF">...“位置”，<小号pan style="color:#A020F0">'西北')举行<小号pan style="color:#A020F0">从;

数字;H1 =情节（Data.Time（（端-49）：结束），Data.unrate（（端-49）：结束））;保持<小号pan style="color:#A020F0">在;h2 =情节(Data.Time (~ estIdx), Y (:, 2));h3 =情节(Data.Time (~ estIdx) YFI (:, 2, 1),<小号pan style="color:#A020F0">'K--');图（Data.Time（〜estIdx），YFI（：，2,2），<小号pan style="color:#A020F0">'K--');标题(<小号pan style="color:#A020F0">“失业率”);ylabel（<小号pan style="color:#A020F0">“百分比”);xlabel（<小号pan style="color:#A020F0">'日期');甘氨胆酸h =;补（[BFH h.XLim（[2 2]）BFH]，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');传奇((h1 h2 h3),<小号pan style="color:#A020F0">'真正'，<小号pan style="color:#A020F0">'预测'，<小号pan style="color:#A020F0">'95％预测区间”，<小号pan style="color:#0000FF">...“位置”，<小号pan style="color:#A020F0">'西北')举行<小号pan style="color:#A020F0">从;

输入参数

全部折叠

`Mdl`-<小号pan itemprop="purpose">VAR模型
`varm`模型对象

VAR模型，指定为varm模型对象的创建varm或估计。Mdl必须详细说明。

`numperiods`-<小号pan itemprop="purpose">预测地平线
正整数

预测周期，或预测期间的时间点数量，指定为正整数。

数据类型：双

`Y0`-<小号pan itemprop="purpose">Presample反应
数字矩阵|<小号pan itemprop="inputvalue">数值数组

样品前体的反应，对于预测提供初始值，指定为numpreobs-通过-numseries数字矩阵或numpreobs-通过-numseries-通过-numprepaths数字数组。

numpreobs是预充足观测值的个数。numseries为响应级数的个数(Mdl.NumSeries)。numprepaths是的样品前体反应路径的数量。

行对应预充足的观测值，最后一行包含最新的观测值。Y0必须包含至少Mdl.P行。如果你提供的行数比需要的多，预测只有最新的使用Mdl.P观察结果。

列必须对应于响应系列名称Mdl.SeriesNames。

页对应于单独的，独立的路径。

如果不指定YF名称 - 值对的参数，然后预测使用的对应页初始化每个预测路径(页)Y0。因此，输出参数ÿ已numprepaths页面。
如果你指定YF名称 - 值对的参数，然后预测采取这些行动之一。
- 如果Y0是一个矩阵，然后预测在初始化每个预测路径（页）YF运用Y0。因此，输出参数中的所有路径ÿ由一般的初始条件推出。
- 除此以外，预测适用Y0 (:,:Ĵ）初始化预测路径Ĵ。Y0至少numpaths页,预测只使用第一个numpaths页面。
在所有的网页，在一个特定的行观察发生在同一时间。

数据类型：双

名称-值对的观点

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价值是对应的值。名称必须出现在引号内。可以按任意顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

例：'X'，X， 'YF'，YF采用矩阵X作为回归部件预测器数据，并且所述矩阵YF如部分已知有条件预测未来回应。

`“X”`-<小号pan itemprop="purpose">预测的时间序列预测的
数字矩阵

预测时间序列的预测因子包括在模型回归组件中，指定为逗号分隔对组成“X”和包含数字矩阵numpreds列。

numpreds是（预测变量的数目大小（Mdl.Beta，2）)。

行对应的观测。行Ĵ包含Ĵ- 工序超前预测。X至少numperiods行。如果你提供的行数比需要的多，预测只使用最早numperiods观察结果。第一行包含最早观察。

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。

预测适用X每条路径(页);也就是说,X表示观察到的预测结果的一个路径。

为了保持模型在预测范围内的一致性，在何时指定预测预测因子是一个很好的实践Mdl有一个回归组件。

默认，预测不包括在回归部件，而不管其存在的Mdl。

数据类型：双

`“。”`-<小号pan itemprop="purpose">未来多元响应系列
数字矩阵|<小号pan itemprop="inputvalue">数值数组

未来响应多元系列用于条件预测，指定为逗号分隔的一对组成的“。”和含有数字矩阵或3- d阵列numseries列。

行对应于在预测范围的观察，和第一行是最早观察。具体来说，行Ĵ在样本路径ķ（YF（Ĵ，：，ķ））包含响应Ĵ未来的时期。YF至少numperiods行覆盖预测范围。如果你提供的行数比需要的多，预测只使用第一个numperiods行。

列对应于在响应变量Y0。

页对应于样品的路径。具体而言，路径ķ（YF（：，：，ķ））捕获响应一系列的状态，或知识，因为它们从样品前体过去演变（Y0）的未来。

如果YF是一个矩阵，然后预测适用YF给每一个numpaths输出路径（见Y0)。
除此以外，YF至少numpaths页面。如果提供超过所需的网页，预测只使用第一个numpaths页面。

要点YF可以是数字标量或丢失的值（由指示为NaN值）。预测对待数字标量为事先已知的，例如确定未来的响应，由策略设置。预测预测相应回应为NaN值条件上的已知值。

默认，YF数组是由为NaN表示完全不了解预测范围内所有响应的未来状态的值。在这种情况下,预测估计常规MMSE预测。

有关详细信息，请参阅算法。

例：考虑四个响应系列三个时期到未来组成的VAR模型的预测一个路径。假设您有一些响应的未来值的先验知识，并且要预测未知的反应条件对你的知识。指定YF为包含你知道值的矩阵，并使用为NaN为值，您不知道，但要预测。例如，'YF'，[NaN 2,5 NaN;NaN NaN 0.1 NaN;南南南]指定你有没有第一和第四响应系列的未来值的知识;你知道在第二个响应一系列期间1的值，但没有其他价值;并且知道在第三响应系列周期1和2的值，但不为周期3的值。

数据类型：双

注意

为NaN价值观Y0和X表明缺失值。预测通过列表删除从数据中删除缺失的值。如果Y0是一个3 d阵列，然后预测执行这些步骤。

横向串连的页面形式numpreobs-通过-numpaths * numseries矩阵。
删除包含至少一个任意行为NaN从串联数据。

在缺失观察的情况下，结果，从多个路径获得Y0可以根据从每个单独的路径得到的结果不同。

对于缺失值X，预测从每一页中删除相应的行YF。从行中取出后X和YF，如果行数小于numperiods，然后预测抛出一个错误。

输出参数

全部折叠

`ÿ`- 多元响应系列MMSE预测
数字矩阵|数值数组

多元响应系列MMSE预测，返回为numobs-通过-numseries数字矩阵或numobs-通过-numseries-通过-numpaths数字数组。ÿ代表了样品前体反应的延续Y0。行对应于观察值，列对应于响应变量，页对应于样本路径。行Ĵ是Ĵ-period超前预测。

如果您指定条件预测的未来响应，请使用YF名称 - 值对的参数，然后在已知的值YF出现在相同的位置ÿ。然而,ÿ包含预测值在缺失观察YF。

`YMSE`-预测响应的MSE矩阵
数字矩阵的细胞载体

MSE矩阵在预测响应ÿ，返回为numperiods的×1细胞载体numseries-通过-numseries数字矩阵。细胞YMSE编制预测误差协方差矩阵的时间序列。细胞Ĵ包含Ĵ-period超前MSE矩阵。

YMSE为所有路径是相同的。

因为预测对待预测变量X如外源性和非随机，YMSE反映了输入模型的自回归组件相关联的误差协方差Mdl只要。

算法

预测估计用公式无条件预测

${\hat{ÿ}}_{Ť} = {\hat{Φ}}_{1} {\hat{ÿ}}_{Ť - 1} + ... + {\hat{Φ}}_{p} {\hat{ÿ}}_{Ť - p} + \hat{C} + \hat{δ} Ť + \hat{β} X_{Ť} ，$

哪里Ť= 1，...，numperiods。预测过滤器的numperiods-通过-numseries的矩阵零值通过创新Mdl。预测使用指定的presample创新(Y0）在必要时。
预测估计使用卡尔曼滤波器有条件的预测。
1. 预测代表VAR模型Mdl作为一个状态空间模型（舰导弹模型对象），而不观测误差。
2. 预测过滤预测数据YF通过状态空间模型。在期Ť在预测范围内，任何未知的响应都是
  
  ${\hat{ÿ}}_{Ť} = {\hat{Φ}}_{1} {\hat{ÿ}}_{Ť - 1} + ... + {\hat{Φ}}_{p} {\hat{ÿ}}_{Ť - p} + \hat{C} + \hat{δ} Ť + \hat{β} X_{Ť} ，$
  
  哪里<小号pan class="inlineequation"> ${\hat{ÿ}}_{小号} ，$ 小号<Ť是的滤波估计ÿ从期小号在预测期内。预测用途指定样品前体值Y0在预测期内前时段。
有关详细信息，请参阅过滤和[4]，第612和615。
方式预测确定numpaths，输出参数中的页数ÿ，依赖于预测类型。
- 如果您估计的是无条件预测，这意味着您没有指定名称-值对参数YF，然后numpaths是的输入参数的页数Y0。
- 如果有条件的估计和预测Y0和YF有一个以上的页面，然后numpaths是具有较少页的数组中的页数。如果页数在Y0或YF超过numpaths，然后预测只使用第一个numpaths页面。
- 如果你估计条件预测Y0或YF有一个页面，然后numpaths是最页面数组中的页面数。预测使用带有一个页面用于每个路径的阵列。
预测设定的模型，包括线性时间趋势的时间原点（Ť₀)大小（Y0,1）-Mdl.P（后除去缺失值）。因此，在趋势成分的时间Ť=Ť₀+ 1，Ť₀+ 2,…,Ť₀+numobs。这项公约与模型估计的默认行为是一致的，其中估计删除第一个Mdl.P反应，减少了有效样本大小。虽然预测明确地使用第一Mdl.Ppresample反应Y0初始化模式，观测的总数目（不包括缺失值）确定Ť₀。

参考

[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.协整VAR模型。牛津：牛津大学出版社，2006年。

[4]<小号pan>Lutkepohl, H。新介绍多时间序列分析。柏林：施普林格，2005年。

也可以看看

对象

varm

功能

估计|<小号pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">模拟

预测

句法

描述

例子

从VAR（4）模型预测的响应无条件系列

预测VARX(4)模型

估计预测区间

输入参数

`Mdl`-<小号pan itemprop="purpose">VAR模型
`varm`模型对象

`numperiods`-<小号pan itemprop="purpose">预测地平线
正整数

`Y0`-<小号pan itemprop="purpose">Presample反应
数字矩阵|<小号pan itemprop="inputvalue">数值数组

名称-值对的观点

`“X”`-<小号pan itemprop="purpose">预测的时间序列预测的
数字矩阵

`“。”`-<小号pan itemprop="purpose">未来多元响应系列
数字矩阵|<小号pan itemprop="inputvalue">数值数组

注意

输出参数

`ÿ`- 多元响应系列MMSE预测
数字矩阵|数值数组

`YMSE`-预测响应的MSE矩阵
数字矩阵的细胞载体

算法

参考

也可以看看

对象

功能

主题

介绍了在R2017a

计量经济学工具箱文档

金宝app

实用指南建模金融风险与MATLAB

预测

句法

描述

例子

从VAR（4）模型预测的响应无条件系列

预测VARX(4)模型

估计预测区间

输入参数

Mdl-<小号pan itemprop="purpose">VAR模型varm模型对象

numperiods-<小号pan itemprop="purpose">预测地平线正整数

Y0-<小号pan itemprop="purpose">Presample反应数字矩阵|<小号pan itemprop="inputvalue">数值数组

名称-值对的观点

“X”-<小号pan itemprop="purpose">预测的时间序列预测的数字矩阵

“。”-<小号pan itemprop="purpose">未来多元响应系列数字矩阵|<小号pan itemprop="inputvalue">数值数组

注意

输出参数

ÿ- 多元响应系列MMSE预测数字矩阵|数值数组

YMSE-预测响应的MSE矩阵数字矩阵的细胞载体

算法

参考

也可以看看

对象

功能

主题

介绍了在R2017a

计量经济学工具箱文档

金宝app

实用指南建模金融风险与MATLAB

`Mdl`-<小号pan itemprop="purpose">VAR模型
`varm`模型对象

`numperiods`-<小号pan itemprop="purpose">预测地平线
正整数

`Y0`-<小号pan itemprop="purpose">Presample反应
数字矩阵|<小号pan itemprop="inputvalue">数值数组

`“X”`-<小号pan itemprop="purpose">预测的时间序列预测的
数字矩阵

`“。”`-<小号pan itemprop="purpose">未来多元响应系列
数字矩阵|<小号pan itemprop="inputvalue">数值数组

`ÿ`- 多元响应系列MMSE预测
数字矩阵|数值数组

`YMSE`-预测响应的MSE矩阵
数字矩阵的细胞载体