预测
预测向量自回归(VAR)模型响应
语法
描述
数值数组的条件和无条件预测
Y=预测(Mdl，numperiods，Y0）Y超过一段距离numperiods预测水平，使用完全指定的VAR(p)模型Mdl．预测的响应表示预样本数据在数值数组中的延续Y0．
表和时间表的无条件预测
Tbl2=预测(Mdl，numperiods，Tbl1）Tbl2包含长度numperiods多元MMSE响应变量预测的路径，这是由VAR模型的无条件预测计算结果Mdl．预测使用预样本数据的表格或时间表Tbl1初始化响应序列。
预测中的变量Mdl。SeriesNames为了预测，或者选择所有的变量Tbl1．选择不同的响应变量Tbl1要进行预测，请使用PresampleResponseVariables名称-值参数。
Tbl2=预测(Mdl，numperiods，Tbl1，名称=值）预测(Mdl 10 Tbl1 PresampleResponseVariables =(“GDP”“CPI”))返回包含VAR模型的无条件预测的响应变量的时间表Mdl中的数据初始化国内生产总值而且消费者价格指数变量的时间表的预采样数据Tbl1．
表格和时间表的条件预测
Tbl2=预测(Mdl，numperiods，Tbl1抽样=抽样ReponseVariables =ResponseVariables）Tbl2包含长度numperiods多元MMSE响应变量预测和相应预测mse的路径，这是由VAR模型计算条件预测得出的结果Mdl．预测使用预样本数据的表格或时间表Tbl1初始化响应序列。抽样在预测范围内的未来数据的表格或时间表是预测用于计算条件预测和ResponseVariables中的响应变量抽样．
Tbl2=预测(Mdl，numperiods，Tbl1抽样=抽样ReponseVariables =ResponseVariables，名称=值）
例子
VAR模型预测的回归矩阵
用VAR(4)模型拟合消费者物价指数(CPI)和失业率。然后，从估计的模型中预测无条件MMSE响应。以数字矩阵形式提供所有所需数据。
加载Data_USEconModel数据集。
负载<年代pan style="color:#A020F0">Data_USEconModeldts = datetime(日期，ConvertFrom=<年代pan style="color:#A020F0">“datenum”）;
把这两个系列分别画在不同的地方。
图绘制(dts, DataTimeTable.CPIAUCSL);标题(<年代pan style="color:#A020F0">“消费物价指数”) ylabel (<年代pan style="color:#A020F0">“指数”)包含(<年代pan style="color:#A020F0">“日期”）
图绘制(dts, DataTimeTable.UNRATE);标题(<年代pan style="color:#A020F0">“失业率”) ylabel (<年代pan style="color:#A020F0">“百分比”)包含(<年代pan style="color:#A020F0">“日期”）
通过将CPI转换为一系列增长率来稳定它。通过从失业率序列中删除第一个观测值来同步两个序列。
RCPI = price2ret(datatitable . cpiaucsl);UNRATE = datatitable .UNRATE(2:end);DTS = DTS(2:结束);EstY = [RCPI UNRATE];
使用简写语法创建一个默认的VAR(4)模型。
Mdl = varm(2,4);
使用整个数据集估计模型。
EstMdl =估计(Mdl,EstY);
EstMdl是完全指定的，估计的varm模型对象。
从估计的模型中预测三年的响应。指定整个数据集作为预样本观测值。
Numperiods = 12;Y0 = EstY;Y = forecast(EstMdl,numperiods,Y0);
Y是预测响应的12 × 2矩阵。第一列和第二列分别是预测的CPI增长率和失业率。
画出预测反应和最后50个真实反应。
Fh =移码(dts(结束)，<年代pan style="color:#A020F0">“结束”，<年代pan style="color:#A020F0">“季”1: numperiods);图h1 =情节(EstY dts ((end-49):结束),((end-49):最终,1));持有<年代pan style="color:#A020F0">在h2 = plot(fh,Y(:，1));标题(<年代pan style="color:#A020F0">“CPI增长率”) ylabel (<年代pan style="color:#A020F0">“增长率”)包含(<年代pan style="color:#A020F0">“日期”) h = gca;填充([dts(end) fh([end end]) dts(end)]，h。YLim([1 1 2 2])，<年代pan style="color:#A020F0">“k”，<年代pan style="color:#0000FF">.．.FaceAlpha = 0.1, EdgeColo =<年代pan style="color:#A020F0">“没有”）;传奇((h1 h2),<年代pan style="color:#A020F0">“数据”，<年代pan style="color:#A020F0">“预测”)举行<年代pan style="color:#A020F0">从
图h1 =情节(EstY dts ((end-49):结束),((end-49):最后,2));持有<年代pan style="color:#A020F0">在h2 = plot(fh,Y(:，2));标题(<年代pan style="color:#A020F0">“失业率”) ylabel (<年代pan style="color:#A020F0">“百分比”)包含(<年代pan style="color:#A020F0">“日期”) h = gca;填充([dts(end) fh([end end]) dts(end)]，h。YLim([1 1 2 2])，<年代pan style="color:#A020F0">“k”，<年代pan style="color:#0000FF">.．.FaceAlpha = 0.1, EdgeColo =<年代pan style="color:#A020F0">“没有”）;传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”，<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“西北”)举行<年代pan style="color:#A020F0">从
从未来响应数据的数值矩阵计算条件预测
本例是基于VAR模型预测的回归矩阵．假设在预测范围内未来每个季度的失业率为8%，那么在抽样数据之后的4个季度，预测MMSE对CPI增长率的响应。
加载Data_USEconModel数据集。
负载<年代pan style="color:#A020F0">Data_USEconModeldts = datetime(日期，ConvertFrom=<年代pan style="color:#A020F0">“datenum”）;
通过将CPI转换为一系列增长率来稳定它。通过从失业率序列中删除第一个观测值来同步两个序列。
RCPI = price2ret(datatitable . cpiaucsl);UNRATE = datatitable .UNRATE(2:end);DTS = DTS(2:结束);EstY = [RCPI UNRATE];
使用简写语法创建一个默认的VAR(4)模型。使用整个数据集估计模型。
Mdl = varm(2,4);EstMdl =估计(Mdl,EstY);
假设明年每个季度的失业率为8%，根据估计的模型预测一年内的CPI增长率。创建一个2 × 4矩阵CondYF包含预测范围内的条件，其中第一列(对应于RCPI)，由南值和第二列(对应于UNRATE)是完全由8．来预测，提供未来数据，并指定整个数据集作为预样本观测值。
Numperiods = 4;Y0 = EstY;CondYF = NaN(numperiods, mll . numseries);CondYF(:，2) = 8;Y = forecast(EstMdl,numperiods,Y0,YF=CondYF)
Y =<年代pan class="emphasis">4×2-0.0068 8.0000 -0.0121 8.0000 0.0006 8.0000 -0.0045 8.0000
Y是一个4乘2的矩阵，预测到明年CPI增长率系列，失业率固定在8%。
估计预测间隔
利用三年范围内的预测间隔分析预测精度。这个例子来自VAR模型预测的回归矩阵．
加载Data_USEconModel数据集和预处理数据。
负载<年代pan style="color:#A020F0">Data_USEconModeldts = datetime(日期，ConvertFrom=<年代pan style="color:#A020F0">“datenum”）;RCPI = price2ret(datatitable . cpiaucsl);UNRATE = datatitable .UNRATE(2:end);D = [rcpi unrate];
估计两个响应序列的VAR(4)模型。保留最近三年的数据。
BFH = dts(end) - year (3);estIdx = dts < bfh;Mdl = varm(2,4);EstY = D(estIdx，:);EstMdl =估计(Mdl,EstY);
从估计的模型中预测三年的响应。指定整个数据集作为预样本观测值。返回预测的MSE。
Numperiods = 12;[Y,YMSE] = forecast(EstMdl,numperiods,EstY);
Y是预测响应的12 × 2矩阵。YMSE为对应MSE矩阵的12 × 1单元向量。
的每个单元格中的矩阵中提取主对角线元素YMSE．应用结果的平方根得到标准误差。
extractMSE = @(x)diag(x)';MSE = cellfun(extractMSE,YMSE,UniformOutput=false);SE = sqrt(cell2mat(MSE));
估计每个响应系列大约95%的预测区间。
YFI = 0 (numperiods, mld . numseries,2);Yfi (:，:，1) = y - 2* se;Yfi (:，:，2) = y + 2* se;
画出预测反应和最后50个真实反应。
图h1 =情节(dts ((end-49):结束),RCPI ((end-49):结束);持有<年代pan style="color:#A020F0">在；h2 = plot(dts(~estIdx)，Y(:，1));h3 = plot(dts(~estIdx)，YFI(:，1,1)，<年代pan style="color:#A020F0">“k——”）;情节(dts (~ estIdx) YFI (:, 1, 2),<年代pan style="color:#A020F0">“k——”）;标题(<年代pan style="color:#A020F0">“CPI增长率”) ylabel (<年代pan style="color:#A020F0">“增长率”)包含(<年代pan style="color:#A020F0">“日期”) h = gca;fill([bfh h. xlim ([2 2]) bfh]，h。YLim([1 1 2 2])，<年代pan style="color:#A020F0">“k”，<年代pan style="color:#0000FF">.．.FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”）;图例([h1 h2 h3]，<年代pan style="color:#A020F0">“数据”，<年代pan style="color:#A020F0">“预测”，<年代pan style="color:#A020F0">“95%预测区间”，<年代pan style="color:#0000FF">.．.位置=<年代pan style="color:#A020F0">“西北”)举行<年代pan style="color:#A020F0">从
figure h1 = plot(dts((end-49):end)，UNRATE((end-49):end));持有<年代pan style="color:#A020F0">在；h2 = plot(dts(~estIdx)，Y(:，2));h3 = plot(dts(~estIdx)，YFI(:，2,1)，<年代pan style="color:#A020F0">“k——”）;情节(dts (~ estIdx) YFI (:, 2, 2),<年代pan style="color:#A020F0">“k——”）;标题(<年代pan style="color:#A020F0">“失业率”) ylabel (<年代pan style="color:#A020F0">“百分比”)包含(<年代pan style="color:#A020F0">“日期”) h = gca;fill([bfh h. xlim ([2 2]) bfh]，h。YLim([1 1 2 2])，<年代pan style="color:#A020F0">“k”，<年代pan style="color:#0000FF">.．.FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”）;图例([h1 h2 h3]，<年代pan style="color:#A020F0">“数据”，<年代pan style="color:#A020F0">“预测”，<年代pan style="color:#A020F0">“95%预测区间”，<年代pan style="color:#0000FF">.．.位置=<年代pan style="color:#A020F0">“西北”)举行<年代pan style="color:#A020F0">从
预测的返回时间表和预测MSEs的阵列
用VAR(4)模型拟合消费者物价指数(CPI)和失业率。然后，从估计的模型中预测无条件MMSE响应。在时间表中提供所有需要的数据。本例是基于从无条件模拟中返回矩阵中的响应级数．
加载和预处理数据
加载Data_USEconModel数据集。计算CPI增长率。由于增长率计算消耗最早的观测值，因此在时间表中包括增长率变量南．
负载<年代pan style="color:#A020F0">Data_USEconModelDataTimeTable。RCPI = [NaN;price2ret (DataTimeTable.CPIAUCSL)];
准备评估时间表
当您计划直接提供时间表时估计，你必须确保它具备以下所有特征:
所有选择的响应变量都是数字，不包含任何缺失值。
中的时间戳
时间变量是规则的，它们是上升或下降的。
从表中删除所有缺失的值，相对于CPI率(RCPI)和失业率(UNRATE)系列。
Varnames = [<年代pan style="color:#A020F0">“RCPI”“UNRATE”];DTT = rmmissing(DataTimeTable,DataVariables=varnames);nummobs =身高(DTT)
Numobs = 245
rmmissing对象中删除四个初始缺失的观察值DataTimeTable创建子表德勤．的变量RCPI而且UNRATE的德勤不要有任何缺失的观察结果。
确定采样时间戳是否具有规则频率并进行排序。
areTimestampsRegular = isregular(DTT，<年代pan style="color:#A020F0">“季度”）
areTimestampsRegular =<年代pan class="emphasis">逻辑0
areTimestampsSorted = issorted(DTT.Time)
areTimestampsSorted =<年代pan class="emphasis">逻辑1
areTimestampsRegular = 0的时间戳德勤是不规则的。areTimestampsSorted = 1表示时间戳已排序。本例中的宏观经济序列的时间戳为月底。这种性质导致了一个不规则的测量序列。
通过将所有日期转移到季度的第一天来纠正时间不规律。
dt = dt .时间;Dt =移码(Dt，<年代pan style="color:#A020F0">“开始”，<年代pan style="color:#A020F0">“季”）;德勤。时间＝dt; areTimestampsRegular = isregular(DTT,<年代pan style="color:#A020F0">“季度”）
areTimestampsRegular =<年代pan class="emphasis">逻辑1
德勤对于时间是有规律的。
为评估创建模型模板
使用简写语法创建一个默认的VAR(4)模型。指定响应变量名。
Mdl = varm(2,4);Mdl。SeriesNames = varnames;
模型与数据拟合
估计模型。通过整个时间表德勤．默认情况下,估计中的响应变量Mdl。SeriesNames适合模型。或者，您可以使用ResponseVariables名称-值参数。
EstMdl =估计(Mdl,DTT);
预测响应和计算预测MSEs
从估计的模型中预测三年的响应。指定整个数据集德勤作为一个预先的观察。
Numperiods = 12;[Tbl2,YMSE] = forecast(EstMdl,numperiods,DTT);Tbl2
Tbl2 =<年代pan class="emphasis">12×2时间表Time RCPI_Responses UNRATE_Responses _____ ______________ ________________ Q2-09 -0.0078947 8.7104 Q3-09 -0.014099 8.6682 Q4-09 -0.00036087 7.9762 Q1-10 -0.0025178 7.3152 Q2-10 -0.00074203 6.6233 Q3-10 0.0039157 5.9685 Q4-10 0.0043404 5.4787 Q1-11 0.0056518 5.1184 Q2-11 0.0070472 4.8808 Q4-11 0.0075783 4.728 Q1-12 0.0077906 4.7519
YMSE
YMSE =<年代pan class="emphasis">12×1单元格数组{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}{2x2双}
Tbl2是预测CPI增长和失业率的12 × 2时间表。预测变量名附加_Responses，例如，RCPI_Responses包含预测RCPI．的时间戳Tbl2的时间戳直接跟踪德勤，且采样频率相同。
YMSE为预测视界中每个时期对应的2 × 2预测MSE矩阵的12 × 1单元向量。例如，在预测水平(对角线外)的周期6中每个响应序列之间的预测协方差YMSE {6})为-0.0025。
预测VARX(4)模型
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))。包括一个线性回归组件，包含当前季度和过去四个季度的政府消费支出和投资(GCE)。从估计的模型预测响应路径。
加载Data_USEconModel数据集。计算实际GDP。
负载<年代pan style="color:#A020F0">Data_USEconModelDataTimeTable。RGDP = datatitable . gdp ./ datatitable . gdpdef *100;
把所有变量画在单独的图上。
图tiledlayout(2,2) nexttile plot(datatitable . time, datatitable . cpiaucsl);ylabel (<年代pan style="color:#A020F0">“指数”)标题(<年代pan style="color:#A020F0">“消费物价指数”) nexttile plot(datatitable . time, datatitable . unrate);ylabel (<年代pan style="color:#A020F0">“百分比”)标题(<年代pan style="color:#A020F0">“失业率”) nexttile plot(datatitable . time, datatitable . rgdp);ylabel (<年代pan style="color:#A020F0">“输出”)标题(<年代pan style="color:#A020F0">“实际本地生产总值”) nexttile plot(datatitable . time, datatitable . gce);ylabel (<年代pan style="color:#A020F0">“数十亿美元”)标题(<年代pan style="color:#A020F0">“政府支出”）
通过将CPI、GDP和GCE转换为一系列增长率来稳定它们。通过删除第一个观测值，使失业率序列与其他序列同步。
Varnames = [<年代pan style="color:#A020F0">“CPIAUCSL”“RGDP”“全球教育运动”];DTT = varfun(@price2ret,DataTimeTable,InputVariables=varnames);DTT.Properties.VariableNames = varnames;德勤。UNRATE = datatitable .UNRATE(2:end);
使时间基准规则。
dt = dt .时间;Dt =移码(Dt，<年代pan style="color:#A020F0">“开始”，<年代pan style="color:#A020F0">“季”）;德勤。时间＝dt;
将GCE速率级数展开为包括第一个滞后级数到第四个滞后级数的矩阵。
RGCELags = lagmatrix(DTT,1:4,DataVariables=<年代pan style="color:#A020F0">“全球教育运动”）;DTT = [DTT RGCELags];DTT = rmmissing(DTT);
创建单独的预样本和估计样本数据集。预示例包含最早的版本p＝4观察，估计样本包含其余的数据。
P = 4;PS = DTT(1:p，:);InSample = DTT((p+1):end，:);Respnames = [<年代pan style="color:#A020F0">“CPIAUCSL”“UNRATE”“RGDP”];idx = endsWith(InSample.Properties.VariableNames，<年代pan style="color:#A020F0">“全球教育运动”）;prednames = InSample.Properties.VariableNames(idx);
使用简写语法创建一个默认的VAR(4)模型。指定响应变量名。
Mdl = varm(3,p);Mdl。SeriesNames = respnames;
使用过去三年的所有数据来估计模型。指定GCE矩阵作为回归组件的数据。
bfh = dtt .时间(结束)-年(3);estIdx = DTT。时间< bfh;EstMdl =估计(Mdl,DTT(estIdx，:)，ResponseVariables=respnames，<年代pan style="color:#0000FF">.．.PredictorVariables = prednames);
预测未来三年的季度反应路径。
Numperiods = 12;Tbl1 = DTT(estIdx，:);Tbl2 =预测(EstMdl,numperiods,Tbl1,InSample=DTT(~estIdx，:)，<年代pan style="color:#0000FF">.．.PredictorVariables = prednames);
Tbl1是预测反应的12 × 3时间表。中的响应变量名称对应于respnames附加的_Reponses．
画出预测反应和最后50个真实反应。
图tiledlayout (2, 2)<年代pan style="color:#0000FF">为j = 1:Mdl。NumSeriesnexttile h1 = plot(DTT.Time((end-49):end),DTT{(end-49):end,respnames(j)}); hold<年代pan style="color:#A020F0">在h2 = plot(DTT.Time(~estIdx)，Tbl2{:，respnames(j)+<年代pan style="color:#A020F0">“_Responses”}）;Title (respnames(j)) h = gca;fill([bfh h. xlim ([2 2]) bfh]，h。YLim([1 1 2 2])，<年代pan style="color:#A020F0">“k”，<年代pan style="color:#0000FF">.．.FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”）;持有<年代pan style="color:#A020F0">从结束Hl = legend([h1 h2]，[<年代pan style="color:#A020F0">“数据”“预测”]);霍奇金淋巴瘤。Position = [0.6 0.25 hl.Position(3:4)];
返回有条件预测时间表
计算VAR模型的条件预测响应返回时间表与无条件模拟的创新，经济学家假设样本结束后的15个季度(从2009年第二季度到2012年第四季度)失业率为6%。
加载和预处理数据
加载Data_USEconModel数据集。计算CPI增长率。由于增长率计算消耗最早的观测值，因此在时间表中包括增长率变量南．
负载<年代pan style="color:#A020F0">Data_USEconModelDataTimeTable。RCPI = [NaN;price2ret (DataTimeTable.CPIAUCSL)];
准备评估时间表
从表中删除所有缺失的值，相对于CPI率(RCPI)和失业率(UNRATE)系列。
Varnames = [<年代pan style="color:#A020F0">“RCPI”“UNRATE”];DTT = rmmissing(DataTimeTable,DataVariables=varnames);
通过将所有日期转移到季度的第一天来纠正时间不规律。
dt = dt .时间;Dt =移码(Dt，<年代pan style="color:#A020F0">“开始”，<年代pan style="color:#A020F0">“季”）;德勤。时间＝dt;
为评估创建模型模板
使用简写语法创建一个默认的VAR(4)模型。指定响应变量名。
P = 4;Mdl = varm(2,p);Mdl。SeriesNames = varnames;
模型与数据拟合
估计模型。通过整个时间表德勤．默认情况下,估计中的响应变量Mdl。SeriesNames适合模型。或者，您可以使用ResponseVariables名称-值参数。
EstMdl =估计(Mdl,DTT);
准备估计模型的条件预测
假设经济学家假设失业率在未来15个季度将保持在6%。
创建一个具有以下品质的时间表:
时间戳相对于估计样本时间戳是规则的，它们的顺序是从2009年第二季度到2012年第四季度。
的变量
RCPI(因此，所有其他变量德勤的15 × 1向量南值。的变量
UNRATE是一个15 × 1向量，其中每个元素都是6。
Numperiods = 15;fhdt = DTT.Time(end) + calquarters(1:numperiods);DTTCondF = retime(DTT,fhdt，<年代pan style="color:#A020F0">“fillwithmissing”）;DTTCondF。UNRATE＝在es(numperiods,1)*6;
DTTCondF是一个15乘15的时间表，直接从时间上，从德勤，两个时间表都有相同的变量。所有变量DTTCondF包含南值，除了UNRATE，是由值6组成的向量。
计算估计模型的条件预测
在给定假设条件下，通过提供条件数据预测CPI增长率DTTCondF并指定响应变量名。提供估计样本作为初始化模型的预样本。
rng (1)<年代pan style="color:#228B22">%用于再现性Tbl2 = forecast(EstMdl,numperiods,DTT,InSample=DTTCondF，<年代pan style="color:#0000FF">.．.ResponseVariables = EstMdl.SeriesNames);大小(Tbl2)
ans =<年代pan class="emphasis">1×215日17
idx = endsWith(Tbl2.Properties.VariableNames，<年代pan style="color:#A020F0">“_Responses”）;头(Tbl2 (:, idx))
时间RCPI_Responses UNRATE_Responses _____ ______________ ________________ Q2-09 -0.0035362 6 Q3-09 -0.0061302 6 Q4-09 0.0066157 6 Q1-10 -0.0018704 6 Q2-10 3.7558e-05 6 Q3-10 0.003859 6 Q4-10 0.002009 6 Q1-11 0.0033291 6
Tbl2所有变量都有一个15 × 17的时间表吗DTTCondF和RCPI预测给定UNRATE是未来15个季度的6%RCPI_Responses包含预测路径。UNRATE_Responses是由值6组成的向量。所有其他变量Tbl2变量和它们的值在吗DTTCondF．
用估计样本数据的最后几个值绘制CPI增长率预测图。
figure h1 = plot(DTT.Time((end-30):end)，DTT.RCPI((end-30):end));持有<年代pan style="color:#A020F0">在h2 = plot(Tbl2.Time,Tbl2.RCPI_Responses);参照线(Tbl2.Time (1),<年代pan style="color:#A020F0">“r——”线宽= 2)<年代pan style="color:#A020F0">从标题(<年代pan style="color:#A020F0">“RCPI预测”)传说([h1 h2(1)]，[<年代pan style="color:#A020F0">“观察”“预测”),<年代pan style="color:#0000FF">.．.位置=<年代pan style="color:#A020F0">“最佳”）
返回多个条件预测路径
计算VAR模型的条件预测响应返回时间表与无条件模拟的创新，经济学家在预测的一年内对失业率的价值做出几个假设。
加载Data_USEconModel数据集。预处理响应变量。
负载<年代pan style="color:#A020F0">Data_USEconModelDataTimeTable。RCPI = [NaN;price2ret (DataTimeTable.CPIAUCSL)];
准备评估时间表。
Varnames = [<年代pan style="color:#A020F0">“RCPI”“UNRATE”];DTT = rmmissing(DataTimeTable,DataVariables=varnames);dt = dt .时间;Dt =移码(Dt，<年代pan style="color:#A020F0">“开始”，<年代pan style="color:#A020F0">“季”）;德勤。时间＝dt;
估计VAR(4)模型。
P = 4;Mdl = varm(2,p);Mdl。SeriesNames = varnames;EstMdl =估计(Mdl,DTT);
假设在整个预测范围内失业率分别为1%、4%、5%、8%和10%，考虑生成CPI增长率的几个预测路径。
创建一个具有以下品质的时间表:
时间戳相对于估计样本时间戳是规则的，它们的顺序是从2009年的Q2到2010年的Q1。
的变量
UNRATE是一个4 × 5矩阵，其中每一列都由预测范围内失业率值的每个假设组成;第一列的元素是1，第二列的元素是4，以此类推。的变量
RCPI4 × 5矩阵是南用预测路径填充的值。所有其他变量都是
南值向量。
Numperiods = 4;fhdt = DTT.Time(end) + calquarters(1:numperiods);DTTCondF = retime(DTT,fhdt，<年代pan style="color:#A020F0">“fillwithmissing”）;DTTCondF。UNRATE＝在es(numperiods,1)*[1 4 5 8 10]; DTTCondF.RCPI = nan(numperiods,width(DTTCondF.UNRATE));
DTTCondF是一个4乘15的时间表，在时间上直接从德勤，两个时间表都有相同的变量。所有变量DTTCondF包含南值，除了UNRATE，这是一个4乘5的矩阵，表示在预测范围内失业率的假设值。
在给定假设条件下，通过提供条件数据预测CPI增长率DTTCondF并指定响应变量名。提供估计样本作为初始化模型的预样本。返回预测的MSE矩阵。
rng (1)<年代pan style="color:#228B22">%用于再现性[Tbl2,YMSE] = forecast(EstMdl,numperiods,DTT,InSample=DTTCondF，<年代pan style="color:#0000FF">.．.ResponseVariables = EstMdl.SeriesNames);大小(Tbl2)
ans =<年代pan class="emphasis">1×24 17
idx = endsWith(Tbl2.Properties.VariableNames，<年代pan style="color:#A020F0">“_Responses”）;头(Tbl2 (:, idx))
时间RCPI_Responses UNRATE_Responses _____ _____________________________________________________________________ _________________________ Q2-09 0.0045044 -0.00031993 -0.001928 -0.0067524 -0.0099686 1 4 5 8 10 Q3-09 0.0087271 -0.00018729 -0.0031588 -0.012073 -0.018016 1 4 5 8 10 Q4-09 0.021614 0.012615 0.0096155 0.00061625 -0.0053833 1 4 5 8 10 Q1-10 0.0045863 0.00071227 -0.00057906 -0.0044531 -0.0070357 1 4 5 8 10
YMSE
YMSE =<年代pan class="emphasis">4×1单元格数组{2x2 double} {2x2 double} {2x2 double}
Tbl2所有变量的4 × 17时间表在吗DTTCondF．的RCPI预测，存储在变量中RCPI_Responses为5条预测路径的4 × 5矩阵。每条路径都对年失业率值进行了相应的假设UNRATE_Responses．
YMSE为预测视界中每个时期的预测MSE矩阵的4乘1单元向量。MSE矩阵应用于每条预测路径，每个矩阵中与条件变量对应的所有元素均为0。
输入参数
输出参数
算法
预测使用方程估计无条件预测在哪里t= 1,…,
numperiods．预测过滤器的numperiods——- - - - - -numseries矩阵的零值创新通过Mdl．预测使用指定的预样本创新(Y0或Tbl1)。预测使用卡尔曼滤波器估计条件预测。的方式
预测决定了numpaths，输出参数中路径(页)的数量Y，或输出参数中预测响应变量的路径数(列)Tbl2，视乎预报类型而定。如果你估计的是无条件预测，这意味着你不指定
YF名称-值参数，或者抽样而且ResponseVariables名称-值参数,numpaths路径的个数是Y0或Tbl1输入参数。如果你估计条件预测和预样本数据
Y0以及未来的样本数据YF，或响应变量在Tbl1而且抽样，有不止一条路径，numpaths是预样本和未来样本响应数据之间的最少路径数。因此,预测只使用第一个numpaths每个输入的每个响应变量的路径。如果你估计条件预测
Y0或YF，或响应变量在Tbl1或抽样，有一条路径，numpaths数组中页数最多的页数。预测使用具有一个路径的变量来生成每个输出路径。
预测设置包含线性时间趋势的模型的时间原点t0来numpreobs- - - - - -Mdl。P(删除缺失值后)，其中numpreobs是预采样观测数。因此，趋势分量中的次数为t＝t0+ 1,t0+ 2,…,t0+numpreobs．这种约定与模型估计的默认行为是一致的估计删除第一个Mdl。P反应，减少有效样本量。虽然预测显式地使用第一个Mdl。P在Y0或Tbl1要初始化模型，可用观测值的总数决定t0．观察Y0是可用的如果不包含南．
参考文献
[1]<年代pan>汉密尔顿，詹姆斯D。时间序列分析．普林斯顿，新泽西州:普林斯顿大学出版社，1994。
[２]<年代pan>约翰森,S。协整向量自回归模型中的似然推理．牛津:牛津大学出版社，1995年。
[3]<年代pan>Juselius, K。协整VAR模型．牛津:牛津大学出版社，2006年。
[4]<年代pan>Lutkepohl, H。多重时间序列分析新导论．柏林:施普林格，2005。
版本历史
在R2017a中引入
另请参阅
对象
功能
您也可以从以下列表中选择一个网站: