主要内容

fevd

生成矢量纠错(VEC)模型预测误差方差分解(FEVD)

自从R2019a

所有的页面崩溃

语法

分解= fevd (Mdl)
名称=值分解= fevd (Mdl)
(分解、降低上部)= fevd (<年代pan class="argument_placeholder">___)
台= fevd (<年代pan class="argument_placeholder">___)

描述

的fevd函数的作用是:返回预测误差分解(FEVD)的变量VEC (p- 1)模型由于冲击系统中每个响应变量。一个完全指定的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

分解= fevd (Mdl)返回一个数值数组包含使正交化FEVDs响应变量组成VEC (p- 1)模型Mdl以一个完全指定结果模型对象。fevd冲击变量在时间0,并返回FEVD通过20 * 1。

如果Mdl估计模型(返回的估计)适合一个数字矩阵的输入响应数据,这种语法适用。

例子

分解= fevd (Mdl,名称=值)使用附加选项指定一个或多个名称参数。fevd返回数值数组当所有可选的输入数据是数字数组。例如,fevd (NumObs = 10, Mdl方法=“广义”)指定估计的广义FEVD期1到10。

如果Mdl估计模型适合一个数字矩阵的输入响应数据,这种语法适用。

例子

(分解,较低的,上)= fevd (<年代pan class="argument_placeholder">___)回报较低的数字数组较低的和上上95%置信区间的置信界限真FEVD,每段FEVD和变量,使用任何输入参数组合在前面的语法。默认情况下,fevd估计置信界限进行蒙特卡洛模拟。

如果Mdl估计模型适合一个数字矩阵的输入响应数据,这种语法适用。

如果Mdl是一个自定义结果模型对象(对象不返回估计或修改后估计),fevd可能需要一个仿真样本大小SampleSize或presample反应Y0。

例子

资源描述= fevd (<年代pan class="argument_placeholder">___)返回表或时间表资源描述包含FEVDs,选择相应的95%置信界限,响应变量组成VEC (p- 1)模型Mdl。的FEVD对应的响应是一个变量资源描述包含一个矩阵的列对应的变量系统震惊时间0。(因为R2022b)

如果你设置至少一个名称-值参数控制FEVD 95%置信界限,资源描述还包含一个变量的上下界限。例如,资源描述当你设置包含信任边界NumPaths名称-值参数。

如果Mdl估计模型适合一个表或时间表的输入响应数据,这种语法适用。

例子

全部折叠

打开生活的脚本

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:

  1. VEC(2)表达模型通过VAR(3)模型Mdl来varm

  2. 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);

图包含一个坐标轴对象。坐标轴对象与标题使正交化FEVD变量1,包含预测地平线,ylabel方差贡献包含4线类型的对象。这些对象代表冲击变量1,冲击变量2,冲击变量3,冲击变量4。

图包含一个坐标轴对象。坐标轴对象与标题使正交化FEVD变量2,包含预测地平线,ylabel方差贡献包含4线类型的对象。这些对象代表冲击变量1,冲击变量2,冲击变量3,冲击变量4。

图包含一个坐标轴对象。坐标轴对象与标题使正交化FEVD变量3,包含预测地平线,ylabel方差贡献包含4线类型的对象。这些对象代表冲击变量1,冲击变量2,冲击变量3,冲击变量4。

图包含一个坐标轴对象。坐标轴对象与标题使正交化FEVD变量4,包含预测地平线,ylabel方差贡献包含4线类型的对象。这些对象代表冲击变量1,冲击变量2,冲击变量3,冲击变量4。

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。

打开生活的脚本

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

图包含一个坐标轴对象。IB的坐标轴对象与标题FEVD Y是震惊,包含预测地平线,ylabel方差贡献包含一个类型的对象。

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。

自从R2022b

打开生活的脚本

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

图包含一个坐标轴对象。坐标轴对象标题M2 FEVD冲击Y包含3线类型的对象。这些对象代表FEVD, 95%置信区间。

打开生活的脚本

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

图包含一个坐标轴对象。IB的坐标轴对象与标题FEVD Y是震惊,包含预测地平线,ylabel方差贡献包含3线类型的对象。这些对象代表FEVD, 95%置信区间。

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。

打开生活的脚本

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.PVEC(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

图包含一个坐标轴对象。IB的坐标轴对象与标题FEVD Y是震惊,包含时间指数,ylabel响应包含3线类型的对象。这些对象代表FEVD, 90%置信区间。

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

全部折叠

VEC模型,指定为一个结果创建的模型对象结果或估计。Mdl必须完全指定。

如果Mdl估计模型(返回的估计),您必须提供任何可选的数据使用相同的数据类型作为输入响应数据,该模型是合适的。

如果Mdl是一个自定义结果模型对象(对象不返回估计或修改后估计),fevd可能需要一个仿真样本大小SampleSize或presample反应Y0。

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。

选择所有FEVDs

全部折叠

数量的时期fevd计算FEVD(预测地平线),指定为一个正整数。NumObs指定数量的观察包括FEVD(中的行数分解)。

例子:NumObs = 10指定的估计FEVD乘以1到10。

数据类型:双

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

约翰森的VEC (p- 1)模型确定的条款[2]该表中,指定为一个值(变量定义,请参阅向量误差修正模型)。

价值 纠错的术语 描述
“氢气”

AB´yt−1

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(B´yt−1+c0)

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(B´yt−1+c0)+c1

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(B´yt−1+c0+d0t)+c1

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(B´yt−1+c0+d0t)+c1+d1t

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。

  • 如果Mdl是一个估计结果模型对象(对象返回估计和之后修改的),默认是约翰森形式用于评估(见模型)。

  • 否则,默认值是“标题”。

提示

一个最佳实践是保持在仿真模型一致性估计的信心。因此,如果Mdl是一个估计结果模型对象(对象返回估计期间和之后修改的),把任何限制估计通过延迟的默认值模型。

例子:模型= " H1 *”

数据类型:字符串|字符

选择绑定估计的信心

全部折叠

(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

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。

  • 如果Mdl是一个估计结果模型对象(对象返回估计之后修改的),缺省值是数据的样本大小的模型(见总结)。

  • 否则:

    • 如果fevd估计置信界限进行蒙特卡罗模拟,您必须指定SampleSize。

    • 如果fevd引导残差估计置信界限),默认的长度是指定一系列的残差(尺寸(Res, 1),在那里Res剩余的数量吗E或抽样)。

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

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:

  • 您提供其他可选的数据输入数字矩阵。

  • Mdl是一个估计结果模型对象(对象返回估计和之后修改的)适合一个数字矩阵响应数据。

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。

numseriesVEC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。

  • 如果Mdl是一个修改的估计模型,fevd集Y0presample响应数据用于估计在默认情况下(参见Y0名称-值参数估计)。

  • 如果Mdl你是一个自定义模型和恢复信心界限吗较低的或上,您必须指定Y0。

数据类型:双

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:

  • 您提供其他可选的数据输入表或时间表。

  • Mdl是一个估计结果模型对象(对象返回估计和之后修改的)适合一个数字矩阵响应数据。

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。

  • 如果Mdl是一个修改的估计模型,fevd集Presamplepresample响应数据用于估计在默认情况下(参见Presample名称-值参数估计)。

  • 如果Mdl是一个自定义的模型(例如,您修改后模型估计通过使用点符号)和返回表中的置信界限或时间表吗资源描述,您必须指定Presample。

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 (j)= true选择变量j从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 (j)作为presampleMdl.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

预测数据x<年代ub>t在模拟估计回归模型组件,包含指定为一个数字矩阵numpreds列。使用X只有在以下情况下:

  • 您提供其他可选的数据输入表或时间表。

  • Mdl是一个估计结果模型对象(对象返回估计和之后修改的)适合一个数字矩阵响应数据。

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

系列的残差绘制引导样本,作为一个指定numperiods——- - - - - -numseries数字矩阵。fevd假设E是免费的序列相关性。使用E只有在以下情况下:

  • 您提供其他可选的数据输入数字矩阵。

  • Mdl是一个估计结果模型对象(对象返回估计和之后修改的)适合一个数字矩阵响应数据。

每一列是剩余系列对应的响应系列名称Mdl.SeriesNames。

每一行对应一个时期FEVD和相应的信心。

如果Mdl是一个估计结果模型对象(对象返回估计),您可以指定E推断估计的残差(见E输出参数估计或推断出)。

默认情况下,fevd获得信心界限进行蒙特卡罗模拟。

数据类型:双

自从R2022b

时间序列数据包含numvars变量,包括numseries变量的残差e<年代ub>t引导或numpreds预测变量x<年代ub>t对于回归模型组件,指定为一个表或时间表。使用抽样只有在以下情况下:

  • 您提供其他可选的数据输入表或时间表。

  • Mdl是一个估计结果模型对象(对象返回估计和之后修改的)适合响应数据表或时间表。

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。

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 (j)= true选择变量j从InSample.Properties.VariableNames,总和(ResidualVariables)是numseries

无论如何,选择剩余变量j剩余系列吗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

自从R2022b

变量选择抽样治疗作为外生变量预测指标x<年代ub>t指定为下列数据类型之一:

  • 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 (j)= true选择变量j从InSample.Properties.VariableNames,总和(PredictorVariables)是numpreds

无论如何,选择的预测变量j对应的系数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

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

全部折叠

FEVD每个响应变量,作为一个返回numobs——- - - - - -numseries——- - - - - -numseries数字数组。numobs的值是NumObs。列和页面对应变量的响应Mdl.SeriesNames。

fevd返回分解只有在以下情况下:

  • 你提供可选的数据输入数字矩阵。

  • Mdl估计模型适合一个数字矩阵的响应数据。

分解(t,j,k)对变量的方差分解吗k归因于一个标准差创新冲击变量j在时间t,因为t= 1,2,…numobs,j= 1,2,…,numseries,k= 1,2,…,numseries。

低自信,作为一个返回numobs——- - - - - -numseries——- - - - - -numseries数字数组。的元素较低的对应的元素分解。

fevd返回较低的只有在以下情况下:

  • 你提供可选的数据输入数字矩阵。

  • Mdl估计模型适合一个数字矩阵的响应数据。

低(t,j,k)的下限吗100 *信心th百分位数区间的真正贡献变量的方差分解k归因于一个标准差创新冲击变量j在时间为0。

上层置信界限),作为一个返回numobs——- - - - - -numseries——- - - - - -numseries数字数组。的元素上对应的元素分解。

fevd返回上只有在以下情况下:

  • 你提供可选的数据输入数字矩阵。

  • Mdl估计模型适合一个数字矩阵的响应数据。

上(t,j,k)的上限100 *信心th百分位数区间的真正贡献变量的方差分解k归因于一个标准差创新冲击变量j在时间为0。

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FEVDy<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ResponseJ在Mdl.SeriesNamesResponseJ_FEVD。例如,如果Mdl.Series (j)是国内生产总值,资源描述包含一个变量的相应FEVD名字GDP_FEVD。

    ResponseJ_FEVD (t,k)是响应变量的方差分解的贡献ResponseJ归因于一个标准差创新冲击变量k在时间t,因为t= 1,2,…numobs,J= 1,2,…,numseries,k= 1,2,…,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。ResponseJ_FEVD_LowerBound和ResponseJ_FEVD_UpperBound低的名称和上界变量,分别的置信区间的FEVD响应变量Mdl.SeriesNames (J)=ResponseJ。例如,如果Mdl.SeriesNames (j)是国内生产总值,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),ResponseJ_FEVD_UpperBound (t,k))是95%置信区间的FEVD响应变量ResponseJ归因于一个标准差创新冲击变量k在时间t,因为t= 1,2,…numobs,J= 1,2,…,numseries,k= 1,2,…,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

全部折叠

预测误差方差分解

的预测误差方差分解(FEVD)的多元、动态系统显示的相对重要性震惊了每一个创新影响系统中所有变量的预测误差方差。

考虑一个numseries- dVEC (p- 1)模型多元响应变量y<年代ub>t。在滞后算子符号,相当于VAR (pVEC()表示p- 1)模型是:

Γ ( l ) y t = c + d t + β x t + ε t ,

在哪里<年代pan class="inlineequation"> Γ ( l ) = 我 − Γ 1 l − Γ 2 l 2 − … − Γ p l p 和我是numseries——- - - - - -numseries识别矩阵。

在滞后算子符号,无限的滞后的马表示y<年代ub>t是:

y t = Γ − 1 ( l ) ( c + β x t + d t ) + Γ − 1 ( l ) ε t = Ω ( l ) ( c + β x t + d t ) + Ω ( l ) ε t 。

FEVD的一般形式y<年代ub>kt(变量k)米未来时期,归因于一个标准差创新冲击y<年代ub>jt,是

γ 米 j k = ∑ t = 0 米 − 1 ( e k ′ C t e j ) 2 ∑ t = 0 米 − 1 e k ′ Ω t Σ Ω t ′ e k 。

  • 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"> C 米 = Ω 米 P , 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"> C 米 = σ j − 1 Ω 米 Σ , 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

一个向量纠错(VEC)模型是一个多变量,随机时间序列模型组成的一个系统的米=numseries方程米不同,差响应变量。系统可以包括一个方程纠错的术语,这是一个线性函数使用的反应水平的稳定系统。的协整排r的数量是协整关系系统中存在。

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(短期的多项式的程度p- 1),一个常数,趋势,外生因素变量和常数纠错和时间趋势项。

VEC (p- 1)模型差分方程的符号而在简化型可以表现在两个方面:

  • 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。

    Δ y t = 一个 ( B ′ y t − 1 + c 0 + d 0 t ) + c 1 + d 1 t + Φ 1 Δ y t − 1 + … + Φ p − 1 Δ y t − ( p − 1 ) + β x t + ε t = c + d t + 一个 B ′ y t − 1 + Φ 1 Δ y t − 1 + … + Φ p − 1 Δ y t − ( p − 1 ) + β x t + ε t 。

    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。

    Δ y t = Π y t − 1 + 一个 ( c 0 + d 0 t ) + c 1 + d 1 t + Φ 1 Δ y t − 1 + … + Φ p − 1 Δ y t − ( p − 1 ) + β x t + ε t = c + d t + Π y t − 1 + Φ 1 Δ y t − 1 + … + Φ p − 1 Δ y t − ( p − 1 ) + β x t + ε t 。

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。

  • Δy<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

Φ ( l ) ( 1 − l ) y t = 一个 ( B ′ y t − 1 + c 0 + d 0 t ) + c 1 + d 1 t + β x t + ε t = c + d t + 一个 B ′ y t − 1 + β x t + ε t

在哪里<年代pan class="inlineequation"> Φ ( l ) = 我 − Φ 1 − Φ 2 − … − Φ p − 1 ,我是米——- - - - - -米单位矩阵,ly<年代ub>t=yt- 1。

如果米=rVEC模型是稳定的,那么VAR (p)模型水平的反应。如果r= 0,那么0的纠错项是一个矩阵,和VEC (p- 1)模型是一种稳定的VAR (p- 1)模型在第一反应的差异。

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:

      1. 模拟NumPaths反应路径的长度SampleSize从Mdl。

      2. 适合NumPaths模型有相同的结构Mdl模拟反应路径。如果Mdl包含一个回归组件并通过提供您指定预测数据X或使用抽样,fevd符合NumPaths模型来模拟反应路径和相同的预测数据(相同的预测数据适用于所有路径)。

      3. 估计NumPathsFEVDs从NumPaths估计模型。

      4. 每个时间点t= 0…NumObs,估计的置信区间计算1 -信心和信心分位数(上下界分别)。

    • 否则,fevd进行非参数引导遵循这个过程:

      1. 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。

      2. 中心的每条路径引导剩余工资。

      3. 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。

      4. 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。时间序列分析。普林斯顿,纽约:普林斯顿大学出版社,1994年。

[2]<年代pan>约翰森,S。基于可能性推理在共合体向量自回归模型。牛津:牛津大学出版社,1995年。

[3]<年代pan>Juselius, K。共合体VAR模型。牛津:牛津大学出版社,2006年。

[4]<年代pan>Lutkepohl,赫尔穆特。新的多元时间序列分析的介绍。纽约,纽约州:斯普林格出版社,2007年版。

[5]<年代pan>Pesaran, H . H。,Y。Shin. "Generalized Impulse Response Analysis in Linear Multivariate Models."经济上的字母。58卷,1998年,17 - 29页。

版本历史

介绍了R2019a

全部展开

另请参阅

对象

功能

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