fevd
语法
描述
的fevd
函数的作用是:返回预测误差分解(FEVD)的变量VEC (结果
模型对象特征矢量模型。
FEVD提供信息的相对重要性每个创新影响的预测误差方差响应变量在系统中。相比之下,脉冲响应函数(IRF)跟踪一个创新的影响冲击一个变量在系统中所有变量的反应。估计世界宗教自由VEC模型的特征结果
模型对象,看irf
。
你可以提供可选的数据,如presample数值数组,表,或时间表。然而,所有指定的输入数据必须是相同的数据类型。当输入模型估计(返回的估计
),提供相同的数据类型数据用于估计模型。输出的数据类型匹配的数据类型指定输入数据。
例子
当策划FEVD指定数字矩阵中的数据
VEC(2)适合4 - d模型与两协整关系丹麦钱和收入率系列数字矩阵中的数据。然后,估计和情节使正交化FEVD的估计模型。
加载丹麦钱和收入数据集。
负载<年代pan style="color:#A020F0">Data_JDanish
更详细的数据集,输入描述
在命令行中。
创建一个结果
模型对象代表VEC (2) 4 - d模型有两个协整关系。指定变量名。
Mdl =结果(4 2 2);Mdl.SeriesNames=数据Table.Properties.VariableNames;
Mdl
是一个结果
模型对象指定VEC (2) 4 - d的结构模型;这是一个估计的模板。
VEC(2)模型来适应时间序列数据的数字矩阵数据
。
Mdl =估计(Mdl、数据);
EstMdl
是一个完全指定的结果
VEC(2)估计模型对象代表4 d模型。
估计使正交化FEVD VEC(2)的估计模型。
分解= fevd (Mdl);
分解
是代表FEVD 20-by-4-by-4数组的Mdl
。连续的行对应时间点从1到20,列对应变量接收一个标准差创新冲击时0,和页面对应变量的预测误差方差fevd
分解。Mdl.SeriesNames
指定变量的顺序。默认情况下,fevd
使用H1约翰森形式,也就是默认的形式估计
用途。
因为分解
代表了一种使正交化FEVD,行应该总和1
。这个特征表明,使正交化FEVDs代表比例的方差贡献。确认的所有行分解
总和为1
。
rowsums =(分解,2)之和;sum ((rowsums - 1) ^ 2 > eps)。
ans = ans (:: 1) = 0 ans (:,: 2) = 0 ans (:,:, 3) = 0 ans (:,:, 4) = 0
行总结页面接近1。
显示对债券利率的预测误差方差的贡献当实际收入震惊时间0。
分解:2 3)
ans =<年代pan class="emphasis">20×10.0694 0.1744 0.1981 0.2182 0.2329 0.2434 0.2490 0.2522 0.2541 0.2559⋮
的armafevd
功能块的FEVD VAR模型AR系数矩阵的特征。情节的FEVD VEC模型:
VEC(2)表达模型通过VAR(3)模型
Mdl
来varm
通过VAR模型AR系数和创新协方差矩阵
armafevd
VEC模型(2)绘制FEVD 40期。
VARMdl = varm (Mdl);[],armafevd (VARMdl.AR InnovCov = VARMdl.Covariance,<年代pan style="color:#0000FF">…NumObs = 40);
图显示了四个变量FEVDs当所有其他变量0时刻感到震惊。Mdl.SeriesNames
指定变量的顺序。
估计广义FEVD VEC模型
考虑VEC (2) 4 - d模型与两协整关系当策划FEVD指定数字矩阵中的数据。估计系统的广义FEVD 100期。
加载丹麦钱和收入的数据集,然后VEC(2)估计模型。
负载<年代pan style="color:#A020F0">Data_JDanishMdl =结果(4 2 2);Mdl.SeriesNames=数据Table.Properties.VariableNames; Mdl = estimate(Mdl,DataTable.Series);
估计的广义FEVD VEC(2)估计模型在预测地平线长度为100。
分解= fevd (Mdl方法=<年代pan style="color:#A020F0">“广义”NumObs = 100);
分解
是由- 4,- 100 - 4的广义FEVD数组代表Mdl
。
情节的广义FEVD债券利率实际收入时震惊时间0。
图;情节(1:10 0,分解:2,3))标题(<年代pan style="color:#A020F0">“FEVD IB当Y是震惊”)包含(<年代pan style="color:#A020F0">“预测地平线”)ylabel (<年代pan style="color:#A020F0">“方差贡献”网格)<年代pan style="color:#A020F0">在
当实际收入是震惊,债券利率的贡献在大约0.08预测误差方差落定。
指定数据在时间表计算FEVD和置信区间
自从R2022b
VEC(2)适合4 - d模型与两协整关系丹麦钱和收入率序列数据在一个时间表。然后,估计和情节使正交化FEVD和相应的置信区间的估计模型。
加载丹麦钱和收入数据集。
负载<年代pan style="color:#A020F0">Data_JDanish
创建一个结果
模型对象代表VEC (2) 4 - d模型有两个协整关系。指定变量名。
Mdl =结果(4 2 2);Mdl.SeriesNames=数据Table.Properties.VariableNames;
Mdl
是一个结果
模型对象指定VEC (2) 4 - d的结构模型;这是一个估计的模板。
符合VEC(2)模型的数据集。
DataTimeTable EstMdl =估计(Mdl);
EstMdl
是一个完全指定的结果
VEC(2)估计模型对象代表4 d模型。
估计使正交化FEVD和相应的95%置信区间估计VEC(2)模型。返回置信区间,您必须设置一个名称-值参数控制置信区间,例如,信心
。集信心
来0.95
。
rng (1);<年代pan style="color:#228B22">%的再现性台= fevd (EstMdl,信心= 0.95);Tbl.Time (1)
ans =<年代pan class="emphasis">datetime01 - 10月- 1974
大小(台)
ans =<年代pan class="emphasis">1×220日12
资源描述
是一个时间表,20行,代表FEVD时期,和12个变量。每个变量是一个20-by-4矩阵FEVD或信心绑定关联到一个变量在模型中EstMdl
。例如,Tbl.M2_FEVD (: 2)
的FEVD平方米
1个标准差的冲击造成的01 - 7 - 1974
(0)Mdl.SeriesNames (2)
,这是变量Y
。(Tbl.M2_FEVD_LowerBound (: 2)
,Tbl.M2_FEVD_UpperBound (: 2)
)相应的95%置信区间。默认情况下,fevd
使用H1约翰森形式,也就是默认的形式估计
用途。
情节的FEVD M2及其95%置信区间1个标准差的冲击造成的01 - 7 - 1974
(0)Mdl.SeriesNames (2)
,这是变量Y
。
idxM2 = startsWith (Tbl.Properties.VariableNames,<年代pan style="color:#A020F0">“平方米”);M2FEVD =(资源(:,idxM2);shockIdx = 2;图保存<年代pan style="color:#A020F0">在情节(M2FEVD.Time M2FEVD.M2_FEVD (:, shockIdx),<年代pan style="color:#A020F0">“o”)情节(M2FEVD.Time [M2FEVD.M2_FEVD_LowerBound (:, shockIdx)<年代pan style="color:#0000FF">…M2FEVD.M2_FEVD_UpperBound (:, shockIdx)】,<年代pan style="color:#A020F0">“o”颜色=<年代pan style="color:#A020F0">“r”)传说(<年代pan style="color:#A020F0">“FEVD”,<年代pan style="color:#A020F0">“95%置信区间”)标题(<年代pan style="color:#A020F0">“M2 FEVD,冲击Y”)举行<年代pan style="color:#A020F0">从
蒙特卡罗真的FEVD置信区间
考虑VEC (2) 4 - d模型与两协整关系当策划FEVD指定数字矩阵中的数据。蒙特卡罗估计和阴谋使正交化FEVD和95%置信区间的真实FEVD。
加载丹麦钱和收入的数据集,然后VEC(2)估计模型。
负载<年代pan style="color:#A020F0">Data_JDanishMdl =结果(4 2 2);Mdl.SeriesNames=数据Table.Properties.VariableNames; Mdl = estimate(Mdl,DataTable.Series);
估计FEVD蒙特卡罗和相应的95%置信区间的VEC(2)估计模型。
rng (1);<年代pan style="color:#228B22">%的再现性[分解、降低上层]= fevd (Mdl);
分解
,较低的
,上
20-by-4-by-4数组代表使正交化FEVD的Mdl
和相应的置信区间的上下界限。数组,连续的行对应时间点时间从1到20,列对应变量接收一个标准差创新冲击时间0,和页面对应的变量预测误差方差fevd
分解。Mdl.SeriesNames
指定变量的顺序。
绘制使正交化FEVD信心的债券利率的实际收入时震惊时间0。
fevdshock2resp3 =分解(:,2,3);FEVDCIShock2Resp3 =[低(:2 3)上(:,2,3)];图;h1 =情节(1:20,fevdshock2resp3);持有<年代pan style="color:#A020F0">在h2 =情节(1:20,FEVDCIShock2Resp3,<年代pan style="color:#A020F0">“r——”);传奇([h1 h2 (1)]、[<年代pan style="color:#A020F0">“FEVD”“95%置信区间”),<年代pan style="color:#0000FF">…位置=<年代pan style="color:#A020F0">“最佳”)包含(<年代pan style="color:#A020F0">“预测地平线”);ylabel (<年代pan style="color:#A020F0">“方差贡献”);标题(<年代pan style="color:#A020F0">“FEVD IB当Y是震惊”);网格<年代pan style="color:#A020F0">在持有<年代pan style="color:#A020F0">从
从长远来看,当实际收入震惊,预测误差方差的比例约为0和0.7之间的债券利率落定有95%的信心。
引导真实FEVD置信区间
考虑VEC (2) 4 - d模型与两协整关系当策划FEVD指定数字矩阵中的数据。估计和阴谋使正交化FEVD和90%引导真实FEVD置信区间。
加载丹麦钱和收入的数据集,然后VEC(2)估计模型。回归模型的残差估计。
负载<年代pan style="color:#A020F0">Data_JDanishMdl =结果(4 2 2);Mdl.SeriesNames=数据Table.Properties.VariableNames; [Mdl,~,~,Res] = estimate(Mdl,DataTable.Series); T = size(DataTable,1)<年代pan style="color:#228B22">%的总样本量
T = 55
n =大小(Res, 1)<年代pan style="color:#228B22">%有效样本量
n = 52
Res
是一系列52-by-4的残差。列对应的变量Mdl.SeriesNames
。的估计
功能要求Mdl.P
VEC(2) = 3观察来初始化一个模型来估计。因为presample数据(Y0
)是未指定的,估计
前三个观测在指定的响应数据初始化模型。因此,结果有效的样本大小T
- - - - - -Mdl.P
= 52,行Res
对应于观测指标4T
。
估计使正交化FEVD引导和相应的90%置信区间的VEC(2)估计模型。画500路径的长度n
从一系列的残差。
rng (1);<年代pan style="color:#228B22">%的再现性(分解、降低上部)= fevd (Mdl, E = Res NumPaths = 500,<年代pan style="color:#0000FF">…信心= 0.9);
绘制使正交化FEVD信心的债券利率的实际收入时震惊时间0。
fevdshock2resp3 =分解(:,2,3);FEVDCIShock2Resp3 =[低(:2 3)上(:,2,3)];图;h1 =情节(台网,fevdshock2resp3);持有<年代pan style="color:#A020F0">在h2 =情节(FEVDCIShock2Resp3台网,<年代pan style="color:#A020F0">“r——”);传奇([h1 h2 (1)]、[<年代pan style="color:#A020F0">“FEVD”“90%置信区间”),<年代pan style="color:#0000FF">…位置=<年代pan style="color:#A020F0">“最佳”)包含(<年代pan style="color:#A020F0">“时间指数”);ylabel (<年代pan style="color:#A020F0">“响应”);标题(<年代pan style="color:#A020F0">“FEVD IB当Y是震惊”);网格<年代pan style="color:#A020F0">在持有<年代pan style="color:#A020F0">从
从长远来看,当实际收入震惊,预测误差方差的比例约为0和0.6之间的债券利率落定有90%的信心。
输入参数
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:fevd (NumObs = 10, Mdl方法=“广义”,E = Res)
指定估计的广义FEVD期1到10,和出人头地的残差数字数组Res
计算95%置信界限。
NumObs
- - - - - -<年代pan itemprop="purpose">数量的时间
20.
(默认)|<年代pan itemprop="inputvalue">正整数
方法
- - - - - -<年代pan itemprop="purpose">FEVD计算方法
“使正交化”
(默认)|<年代pan itemprop="inputvalue">“广义”
|<年代pan itemprop="inputvalue">特征向量
FEVD计算方法,在此表指定为一个值。
价值 | 描述 |
---|---|
“使正交化” |
计算方差分解使用使正交化,创新一个标准差的冲击。fevd 使用的柯列斯基分解Mdl.Covariance 正交化。 |
“广义” |
计算方差分解使用创新一个标准差的冲击。 |
例子:方法=“广义”
数据类型:字符
|字符串
模型
- - - - - -<年代pan itemprop="purpose">约翰森VEC(形式p- 1)模型确定的条款
“标题”
(默认)|<年代pan itemprop="inputvalue">“氢气”
|<年代pan itemprop="inputvalue">“H1 *”
|<年代pan itemprop="inputvalue">“H *”
|<年代pan itemprop="inputvalue">“H”
|<年代pan itemprop="inputvalue">特征向量
“标题”
(默认)|<年代pan itemprop="inputvalue">“氢气”
|<年代pan itemprop="inputvalue">“H1 *”
|<年代pan itemprop="inputvalue">“H *”
|<年代pan itemprop="inputvalue">“H”
|<年代pan itemprop="inputvalue">特征向量约翰森的VEC (
价值 | 纠错的术语 | 描述 |
---|---|---|
“氢气” |
AB´ |
没有拦截或趋势存在协整关系,和不确定性的趋势出现在数据的水平。 指定本系列模型只有当所有反应的意思是零。 |
“H1 *” |
一个( |
拦截存在协整关系,没有确定性的趋势出现在数据的水平。 |
“标题” |
一个( |
拦截中存在协整关系,确定线性趋势出现在数据的水平。 |
“H *” |
一个( |
拦截和线性趋势存在协整关系,和确定性线性趋势出现在数据的水平。 |
“H” |
一个( |
拦截和线性趋势存在协整关系,和确定的二次趋势出现在数据的水平。 如果二次趋势数据中不存在,这个模型可以产生好的样本符合但贫穷的样本外预测。 |
约翰森形式的更多细节,请参阅估计
。
例子:模型= " H1 *”
数据类型:字符串
|字符
NumPaths
- - - - - -<年代pan itemprop="purpose">数量的样本路径
One hundred.
(默认)|<年代pan itemprop="inputvalue">正整数
(试验)来生成样本路径,指定为一个正整数。
例子:NumPaths = 1000
生成1000年
样本路径的软件获取信心。
数据类型:双
SampleSize
- - - - - -<年代pan itemprop="purpose">蒙特卡罗模拟的观测数量或每个样本路径引导
正整数
蒙特卡罗模拟的观测或每个样本路径引导,指定为一个正整数。
例子:如果您指定SampleSize = 100
,不指定E
名称-值参数,软件估计置信界限NumPaths
随机路径的长度One hundred.
从Mdl
。
例子:如果您指定SampleSize = 100, E = Res
软件重新取样,更换,One hundred.
观察(行)Res
形成一个样本路径的创新来过滤Mdl
。软件形式NumPaths
随机样本路径,推导出信心。
数据类型:双
Y0
- - - - - -<年代pan itemprop="purpose">Presample响应数据
数字矩阵
Presample响应数据,提供了模型估计在仿真初始值,指定为一个numpreobs
——- - - - - -numseries
数字矩阵。使用Y0
只有在以下情况下:
numpreobs
是presample观测的数量。numseries
是Mdl.NumSeries
输入的维数模型。
每一行是一个presample观察和测量每一行同时发生。最后一行包含最新presample观察。numpreobs
是指定的数量presample反应和它必须至少Mdl.P
。如果你提供更多不必要的行,fevd
使用了最新的Mdl.P
观察。
numseries
VEC模型输入的维数吗Mdl.NumSeries
。列必须对应于响应变量Mdl.SeriesNames
。
下列情况确定违约或是否需要presample响应数据。
数据类型:双
Presample
- - - - - -<年代pan itemprop="purpose">Presample数据
表|<年代pan itemprop="inputvalue">时间表
自从R2022b
Presample提供初始值的数据模型Mdl
,指定为一个表或时间表numprevars
变量和numpreobs
行。使用Presample
只有在以下情况下:
每一行是一个presample观察和测量每一行同时发生。最后一行包含最新presample观察。numpreobs
是指定的数量presample反应和它必须至少Mdl.P
。如果你提供更多不必要的行,fevd
使用了最新的Mdl.P
观察。
每一个变量都是numpreobs
数值向量代表一条路径。控制presample变量选择,可选PresampleResponseVariables
名称-值参数。
如果Presample
是一个时间表,所有下列条件必须是真实的:
Presample
必须代表一个样本与正则datetime时间步(看到了吗isregular
)。datetime向量样本的时间戳
Presample.Time
必须升序或降序。
如果Presample
是一个表,最后一行包含最新presample观察。
下列情况确定违约或是否需要presample响应数据。
PresampleResponseVariables
- - - - - -<年代pan itemprop="purpose">变量选择Presample
用于presample响应数据
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
自从R2022b
变量选择Presample
用于presample数据,指定为以下数据类型之一:
或细胞特征向量的向量包含字符串向量
numseries
变量名在Presample.Properties.VariableNames
一个长度
numseries
向量独特的指数(整数)变量的选择Presample.Properties.VariableNames
一个长度
numprevars
逻辑向量,PresampleResponseVariables (
选择变量j
)= true
从j
Presample.Properties.VariableNames
,总和(PresampleResponseVariables)
是numseries
PresampleResponseVariables
只适用于当你指定Presample
。
所选变量必须是数值向量和不能包含缺失的值(南
)。
PresampleResponseNames
不需要包含相同的名字Mdl.SeriesNames
;fevd
使用选定的变量中的数据PresampleResponseVariables (
作为presamplej
)Mdl.SeriesNames (
。j
)
如果变量的数量Presample
匹配Mdl.NumSeries
,默认指定所有的变量Presample
。如果变量的数量Presample
超过Mdl.NumSeries
,默认匹配变量Presample
的名字Mdl.SeriesNames
。
例子:PresampleResponseVariables = (“GDP”“CPI”)
例子:PresampleResponseVariables =(真的假的真的假的)
或PresampleResponseVariable = 3 [1]
选择第一个和第三个表为presample数据变量。
数据类型:双
|逻辑
|字符
|细胞
|字符串
X
- - - - - -<年代pan itemprop="purpose">预测数据
数字矩阵
预测数据numpreds
列。使用X
只有在以下情况下:
numpreds
预测变量的数量(大小(Mdl.Beta, 2)
)。
每一行对应一个观察,测量每一行同时发生。最后一行包含最新的观测。X
必须至少有SampleSize
行。如果你提供更多不必要的行,fevd
只使用最新的观测。fevd
不使用回归组件presample时期。
列对应个人预测变量。所有预测变量存在于每个响应方程的回归组件。
保持模型一致性的时候fevd
估计的信心,一个良好的实践是指定当预测数据Mdl
有一个回归组件。如果Mdl
估计模型,指定使用预测数据在模型估计(看到的吗X
名称-值参数估计
)。
默认情况下,fevd
排除了回归组件绑定估计的信心,不管它的存在Mdl
。
数据类型:双
E
- - - - - -<年代pan itemprop="purpose">系列的残差绘制引导样品
数字矩阵
抽样
- - - - - -<年代pan itemprop="purpose">时间序列数据
表|<年代pan itemprop="inputvalue">时间表
自从R2022b
时间序列数据包含numvars
变量,包括numseries
变量的残差numpreds
预测变量抽样
只有在以下情况下:
的观察,每个变量是一个路径fevd
适用于所有NumPaths
样本路径。如果您指定Presample
您必须指定变量残差和预测,看到ResidualVariables
和PredictorVariables
名称-值参数。
每一行是一个观察,测量每一行同时发生。抽样
必须至少有SampleSize
行。如果你提供更多不必要的行,fevd
只使用最新的观测。
如果抽样
是一个时间表,适用下列条件:
抽样
必须代表一个样本与正则datetime时间步(看到了吗isregular
)。datetime向量
InSample.Time
必须严格升序或降序。Presample
必须立即之前抽样
,对采样频率。
如果抽样
是一个表,最后一行包含最新的观测。
默认情况下,fevd
获得信心界限进行蒙特卡罗模拟和不使用模型回归组件,无论它的存在Mdl
。
ResidualVariables
- - - - - -<年代pan itemprop="purpose">变量选择抽样
治疗作为残差e<年代ub>t为引导
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
自从R2022b
变量选择抽样
治疗作为引导残差,指定为以下数据类型之一:
或细胞特征向量的向量包含字符串向量
numseries
变量名在InSample.Properties.VariableNames
一个长度
numseries
向量独特的指数(整数)变量的选择InSample.Properties.VariableNames
一个长度
numvars
逻辑向量,ResidualVariables (
选择变量j
)= true
从j
InSample.Properties.VariableNames
,总和(ResidualVariables)
是numseries
无论如何,选择剩余变量
剩余系列吗j
Mdl.SeriesNames (
。j
)
所选变量必须是数值向量和不能包含缺失的值(南
)。
默认情况下,fevd
获得信心界限进行蒙特卡罗模拟。
例子:ResidualVariables = (“GDP_Residuals”“CPI_Residuals”)
例子:ResidualVariables =(真的假的真的假的)
或ResidualVariable = 3 [1]
选择第一个和第三个表变量的扰动变量。
数据类型:双
|逻辑
|字符
|细胞
|字符串
PredictorVariables
- - - - - -<年代pan itemprop="purpose">变量选择抽样
治疗作为外生变量预测指标x<年代ub>t
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
自从R2022b
变量选择抽样
治疗作为外生变量预测指标
或细胞特征向量的向量包含字符串向量
numpreds
变量名在InSample.Properties.VariableNames
一个长度
numpreds
向量独特的指数(整数)变量的选择InSample.Properties.VariableNames
一个长度
numvars
逻辑向量,PredictorVariables (
选择变量j
)= true
从j
InSample.Properties.VariableNames
,总和(PredictorVariables)
是numpreds
无论如何,选择的预测变量
对应的系数j
Mdl.Beta (:,
。j
)
PredictorVariables
只适用于当你指定抽样
。
所选变量必须是数值向量和不能包含缺失的值(南
)。
默认情况下,fevd
排除了回归组件,无论它的存在Mdl
。
例子:PredictorVariables = [“M1SL”“TB3MS”“UNRATE”]
例子:PredictorVariables =(真的假的真的假的)
或PredictorVariable = 3 [1]
选择了第一个和第三个表变量作为响应变量。
数据类型:双
|逻辑
|字符
|细胞
|字符串
信心
- - - - - -<年代pan itemprop="purpose">置信水平
0.95
(默认)|<年代pan itemprop="inputvalue">在[0,1]数字标量
置信水平的信心,指定为一个数值区间[0,1]中的标量。
对于每一个时期,随机画置信区间覆盖真实的反应100 *信心
%的时间。
默认值是0.95
,这意味着信心边界代表95%的置信区间。
例子:信心= 0.9
指定90%置信区间。
数据类型:双
请注意
南
值Y0
,X
,E
表明缺失的数据。fevd
删除丢失的数据从这些争论list-wise删除。对于每个参数,如果一行包含至少一个南
,fevd
删除整行。List-wise缺失降低了样本容量,可以创建不规则的时间序列,并能引起
E
和X
是不同步的。fevd
问题一个错误当任何表或时间表输入包含缺失值。
输出参数
资源描述
——FEVD和信心
表|时间表
自从R2022b
FEVD和置信界限),返回一个表或时间表numobs
行。fevd
返回资源描述
只有在以下情况下:
您提供可选的数据输入表或时间表。
Mdl
估计模型对象能够响应数据表或时间表。
无论如何,的数据类型资源描述
指定的数据的数据类型是一样的。
资源描述
包含以下变量:
每个系列的FEVD
y<年代ub>t。每个FEVD变量在 资源描述
是一个numobs
——- - - - - -numseries
数字矩阵,numobs
的值是NumObs
和numseries
的值是Mdl.NumSeries
。fevd
响应变量的FEVD名字
在ResponseJ
Mdl.SeriesNames
。例如,如果ResponseJ
_FEVDMdl.Series (
是j
)国内生产总值
,资源描述
包含一个变量的相应FEVD名字GDP_FEVD
。
是响应变量的方差分解的贡献ResponseJ
_FEVD (t
,k
)
归因于一个标准差创新冲击变量ResponseJ
在时间k
,因为t
= 1,2,…t
numobs
,
= 1,2,…,J
numseries
,
= 1,2,…,k
numseries
。上下信心界限的真正FEVD反应级数,至少当你设定一个名称-值参数控制范围的信心。每个绑定变量的信心
资源描述
是一个numobs
——- - - - - -numseries
数字矩阵。
和ResponseJ
_FEVD_LowerBound
低的名称和上界变量,分别的置信区间的FEVD响应变量ResponseJ
_FEVD_UpperBoundMdl.SeriesNames (
=J
)
。例如,如果ResponseJ
Mdl.SeriesNames (
是j
)国内生产总值
,资源描述
包含变量对应的上下边界的置信区间的名字GDP_FEVD_LowerBound
和GDP_FEVD_UpperBound
。(
,ResponseJ
_FEVD_LowerBound (t
,k
)
)是95%置信区间的FEVD响应变量ResponseJ
_FEVD_UpperBound (t
,k
)
归因于一个标准差创新冲击变量ResponseJ
在时间k
,因为t
= 1,2,…t
numobs
,
= 1,2,…,J
numseries
,
= 1,2,…,k
numseries
。
如果资源描述
是一个时间表,行顺序资源描述
升序或降序,匹配的行顺序抽样
当你指定它。如果你不指定抽样
你指定Presample
行顺序资源描述
行顺序是一样的吗Presample
。
更多关于
预测误差方差分解
的
考虑一个numseries
- dVEC (
在哪里<年代pan class="inlineequation">
和numseries
——- - - - - -numseries
识别矩阵。
在滞后算子符号,无限的滞后的马表示
FEVD的一般形式
e<年代ub>j是一个选择向量的长度
numseries
包含1元素j和0。 为使正交化FEVDs,<年代pan class="inlineequation"> 在哪里
P是一个下三角Σ柯列斯基分解的因素。 对于广义FEVDs,<年代pan class="inlineequation"> 在哪里
σ<年代ub>j创新的标准偏差吗 j。 分子是一个创新的贡献冲击变量
j预测误差的方差 米提前预测的变量 k。分母的均方误差(MSE) 米提前预测的变量 k[4]。
向量误差修正模型
一个numseries
方程
每个响应方程可以包括一个自回归多项式组成的第一个响应系列的差异(
VEC (
这个方程是
组件的形式VEC模型,协整调整速度和协整矩阵显式,而矩阵是隐含的影响。 的协整关系
B”yt- 1+ c0+ d0t和纠错术语 一个( B”yt- 1+ c0+ d0t)。 这个方程是
影响形式VEC模型,影响矩阵是显式的,而协整调整速度和协整矩阵是隐含的。
在方程:
y<年代ub>t是一个
米1对应的值的向量 米响应变量在时间 t,在那里 t= 1,…, T。 Δ
y<年代ub>t= y<年代ub>t- - - - - - yt- 1。结构系数是单位矩阵。 r协整关系的数量,一般来说,0 <
r< 米。 一个是一个
米——- - - - - - r矩阵的调整速度。 B是一个
米——- - - - - - r协整的矩阵。 Π是一个
米——- - - - - - 米影响矩阵的秩 r。 c0是一个
r1向量常量(拦截)的协整关系。 d0是一个
r1向量线性时间趋势的协整关系。 c1是一个
米1常数向量( 确定线性趋势在 y<年代ub>t)。 d1是一个
米1的向量的线性时间趋势值( 确定二次趋势在 y<年代ub>t)。 c=
一个c0+ c1,是整个常数。 d=
一个d0+ d1整体时间系数。 Φ<年代ub>j是一个
米——- - - - - - 米短期系数矩阵, j= 1,…, p- 1和Φ<年代ub>p- 1不是一个矩阵只包含0。 x<年代ub>t是一个
k1对应的值的向量 k外生变量预测指标。 β是一个
米——- - - - - - k回归系数的矩阵。 ε<年代ub>t是一个
米1的向量随机高斯创新,每一个都有0和集体的意义 米——- - - - - - 米Σ协方差矩阵。为 t≠ 年代, ε<年代ub>t和 ε<年代ub>年代是独立的。
浓缩和滞后算子符号,系统
在哪里<年代pan class="inlineequation">
,
如果
算法
如果
方法
是“使正交化”
,然后fevd
使正交化创新冲击运用柯列斯基分解模型的协方差矩阵Mdl.Covariance
。使正交化创新冲击的协方差是单位矩阵,和每个变量的FEVD资金,也就是说,和任何行分解
或行与FEVD变量联系在一起资源描述
就是其中之一。因此,使正交化FEVD代表预测误差方差的比例由系统中各种冲击。然而,使正交化FEVD通常取决于变量的顺序。如果
方法
是“广义”
,然后结果FEVD,然后结果FEVD不变的变量的顺序,并不是基于一个正交变换。同时,结果FEVD资金只有在一个特定的变量Mdl.Covariance
是对角线[5]。因此,广义FEVD代表预测误差方差的贡献equation-wise冲击响应变量在模型中。如果
Mdl.Covariance
是一个对角矩阵,那么由此产生的广义和使正交化FEVDs是相同的。否则,由此产生的广义,使正交化FEVDs只有在第一个变量是相同的Mdl.SeriesNames
冲击所有的变量(例如,其他所有条件都相同,这两种方法都产生同样的价值分解:1:)
)。的预测数据
X
或抽样
外生的多元时间序列代表一个单一的路径。如果您指定X
或抽样
和模型Mdl
有一个回归组件(Mdl.Beta
不是一个空数组),fevd
相同的外生数据适用于所有路径用于置信区间估计。fevd
进行一个模拟估计的信心较低的
和上
或相关的变量资源描述
。如果你不指定供应的残差
E
或使用抽样
,fevd
进行蒙特卡罗模拟遵循这个过程:否则,
fevd
进行非参数引导遵循这个过程:重新取样,更换,
SampleSize
残差的E
或抽样
。执行这一步骤NumPaths
次获得NumPaths
路径。中心的每条路径引导剩余工资。
过滤器集中的每个路径,引导残差
Mdl
获得NumPaths
引导的反应路径的长度SampleSize
。蒙特卡罗模拟的完整步骤2到4,但取代模拟响应路径引导的反应路径。
引用
[1]<年代pan>汉密尔顿,詹姆斯D。
[2]<年代pan>约翰森,S。
[3]<年代pan>Juselius, K。
[4]<年代pan>Lutkepohl,赫尔穆特。
[5]<年代pan>Pesaran, H . H。,Y。Shin. "Generalized Impulse Response Analysis in Linear Multivariate Models."
版本历史
介绍了R2019aR2022b:<年代pan class="remove_bold">fevd
接受输入数据表和时间表,并返回结果表和时间表
除了接受输入数据在数值数组,fevd
接受输入数据表和时间表。fevd
选择默认的系列操作,但您可以使用以下名称参数选择变量。
Presample
指定的输入表或常规时间表presample响应数据。PresampleResponseVariables
指定响应系列名称Presample
。抽样
指定表或常规时间表的残余和预测数据来计算引导估计。ResidualVariables
指定了残余系列名称抽样
。PredictorVariables
指定了预测系列抽样
对回归模型组件。
另请参阅
对象
功能
估计
|<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">过滤器
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">irf
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">varm
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。