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
返回一个包含最小均方误差(MMSE)多元响应预测路径的数值数组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
返回表格或时间表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。
使用一个或多个名称-值参数指定的其他选项。例如,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
返回表格或时间表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
.
使用一个或多个名称-值参数指定的其他选项。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
RCPI
4 × 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
numperiods
- - - - - -<年代pan itemprop="purpose">预测的时间跨度
正整数
预测水平,或预测期间的时间点的数量,指定为正整数。
数据类型:双
Y0
- - - - - -<年代pan itemprop="purpose">预采样响应数据
数字矩阵|<年代pan itemprop="inputvalue">数字数组
预采样响应数据,为预测提供初始值,指定为numpreobs
——- - - - - -numseries
数值矩阵或numpreobs
——- - - - - -numseries
——- - - - - -numprepaths
数字数组。使用Y0
只有当您以数字数组的形式提供可选数据输入时。
numpreobs
是预采样观测数。numseries
是响应序列的个数(Mdl。NumSeries
).numprepaths
是预采样响应路径的数量。
每一行都是一个预样本,在所有页面中,每一行的测量都是同时进行的。最后一行包含最新的预样本观察结果。Y0
至少要有Mdl。P
行。如果你提供的行数比需要的多,预测
使用最新的Mdl。P
观察。
中的每一列对应于响应序列名称Mdl。SeriesNames
.
页面对应于独立的路径。
如果你计算无条件预测(也就是说,你不指定
YF
名称-值参数),预测
的对应页初始化每个预测路径(页)Y0
.因此,输出参数Y
有numpaths
=numprepaths
页面。中指定未来响应数据来计算条件预测
YF
:预测
采取以下行动之一。如果
Y0
是一个矩阵,预测
中的每个响应路径(页面)初始化YF
使用相应的预样响应Y0
.因此,numpaths
路径的数量是多少YF
,以及输出参数中的所有路径Y
由共同的初始条件导出。如果
YF
是一个矩阵,预测
生成numprepaths
预测路径,初始化每个预采样响应路径Y0
,但在所有路径中,用于调整预测的未来响应数据是相同的。因此,numprepaths
输出参数中的路径数是多少Y
,所有路径都可能从不同的初始条件演化而来。否则,
numpaths
之间的最小值numprepaths
以及页数YF
,预测
适用于Y0 (:,:
初始化预测路径j
)
,因为j
= 1,…,j
numpaths
.
数据类型:双
Tbl1
- - - - - -<年代pan itemprop="purpose">Presample数据
表格|<年代pan itemprop="inputvalue">时间表
预先提供预测的初始值的响应数据,以表或时间表的形式指定numprevars
变量和numpreobs
行。预测
在输出表或时间表中返回预测的响应变量Tbl2
,这与Tbl1
.
每一行都是一个预采样观测,在所有路径中,每一行的测量都是同时发生的。numpreobs
至少是Mdl。P
.如果你提供的行数比需要的多,预测
使用最新的Mdl。P
观察。
每个选定的响应变量为anumpreobs
——- - - - - -numprepaths
数字矩阵。您可以选择指定numseries
的响应变量PresampleResponseVariables
名称-值参数。
特定响应变量中的路径(列)是独立的,但是路径
在所有变量中对应的是j
= 1,…,j
numprepaths
.以下条件适用:
如果你计算无条件预测(也就是说,你不指定
抽样
而且ResponseVariables
名称-值参数),预测
中的相应路径初始化每个选定响应变量的预测路径Tbl1
.因此,输出参数中的每个预测响应变量Tbl2
是一个numperiods
——- - - - - -numprepaths
矩阵。中指定未来响应数据来计算条件预测
抽样
并从数据中得到相应的响应变量ResponseVariables
,预测
采取以下行动之一。如果选取的预采样响应变量为向量,
预测
初始化所选响应变量的每个预测路径(列)抽样
通过使用相应的presample变量Tbl1
.因此,预测响应变量中的所有路径都是从共同的初始条件演化而来的。如果所选的响应变量在
抽样
是向量,预测
生成numprepaths
预测路径,初始化每个选定的预采样响应变量的路径Tbl1
,但在所有路径中,用于调整预测的未来响应数据是相同的。因此,numpaths
=numprepaths
是所有预测响应变量的路径数,所有路径都可能从不同的初始条件演化而来。否则,
numpaths
之间的最小值numprepaths
而路径数在每个选定的响应变量中抽样
.对于每个选定的预样品和未来样品响应变量
每条路径ResponseK
= 1,…,j
numpaths
,预测
适用于Tbl1。
初始化响应数据的条件预测ResponseK
(:,j
)Tbl2。
ResponseK
(:,
.j
)
如果Tbl1
是一个时间表,以下所有条件必须成立:
Tbl1
必须表示具有常规datetime时间步长的示例(参见isregular
).输入
抽样
而且Tbl1
必须在时间上保持一致Tbl1
立即之前抽样
关于采样频率和阶数。样本时间戳的datetime向量
Tbl1。时间
必须是升序或降序。
如果Tbl1
是一个表,以下条件成立:
最后一行包含最新的预样本观察结果。
Tbl1.Properties.RowsNames
一定是空的。
抽样
- - - - - -<年代pan itemprop="purpose">未来时间序列响应或预测数据
表格|<年代pan itemprop="inputvalue">时间表
未来的时间序列响应或预测数据,指定为表格或时间表。抽样
包含numvars
变量,包括numseries
响应变量y<年代ub>t或numpreds
预测变量x<年代ub>t对于模型回归组件。你可以指定抽样
只有当你指定Tbl1
.
使用抽样
以下情况:
执行条件模拟。还必须提供响应变量名,以便在其中选择响应数据
抽样
通过使用ResponseVariables
名称-值参数。为无条件或条件模拟提供未来的预测器数据。要提供预测器数据,必须在中指定预测器变量名
抽样
通过使用PredictorVariables
名称-值参数。否则,预测
忽略模型回归组件。
每一行对应预测视界中的一个观测值,第一行是最早的观测值,在所有路径中,每一行的测量值同时发生。具体地说,行
的变量j
(VariableK
抽样。
)包含观察结果VariableK
(j
:)
未来时期,或者j
段时间的预测。j
抽样
至少要有numperiods
行覆盖预报地平线。如果你提供的行数比需要的多,预测
只使用第一个numperiods
行。
每个选定的响应变量都是一个数值矩阵。对于每个选定的响应变量
,列是分开的、独立的路径。具体来说,路径K
响应变量j
捕获的状态或知识ResponseK
随着它从预先的过去(例如,ResponseK
Tbl1。
)的未来。对于每个选定的响应变量ResponseK
:ResponseK
如果所选的预采样响应变量在
Tbl1
是向量,预测
初始化所选响应变量的每个预测路径(列)抽样
通过使用相应的presample变量Tbl1
.因此,所有路径在预测输出的响应变量Tbl2
从共同的初始条件进化而来。如果所选的响应变量在
抽样
是向量,预测
生成numprepaths
预测路径,初始化每个选定的预采样响应变量的路径Tbl1
,但在所有路径中,用于调整预测的未来响应数据是相同的。因此,numpaths
=numprepaths
是所有预测响应变量的路径数,所有路径都可能从不同的初始条件演化而来。否则,
numpaths
之间的最小值numprepaths
而路径数在每个选定的响应变量中抽样
.对于每个选定的预样品和未来样品响应变量
每条路径ResponseK
= 1,…,j
numpaths
,预测
适用于Tbl1。
初始化响应数据的条件预测ResponseK
(:,j
)Tbl2。
ResponseK
(:,
.j
)
每个预测变量都是一个数字向量。所有预测变量都出现在每个响应方程的回归分量中,并适用于所有响应路径。
如果抽样
是时间表,以下条件适用:
抽样
必须表示具有常规datetime时间步长的示例(参见isregular
).datetime向量
抽样。时间
必须严格递增或递减。Tbl1
必须立即先于抽样
,相对于采样频率。
如果抽样
是一个表,以下条件成立:
最后一行包含最新的观察结果。
InSample.Properties.RowsNames
一定是空的。
元素的响应变量抽样
可以是数值标量或缺失值(由南
值)。预测
将数值标量视为预先已知的确定性未来响应,例如由策略设置的响应。预测
预测相应的响应南
值以已知值为条件。所选预测变量的元素必须是数字标量。
默认情况下,预测
计算传统的MMSE预测和模型中没有回归成分的预测mse(每个选择的响应变量是一个numperiods
——- - - - - -numprepaths
矩阵由南
表示完全缺乏对预测范围内响应的未来状态的知识的值)。
详情请参见算法.
例子:考虑从由两个响应序列组成的模型中预测一条路径,国内生产总值
而且消费者价格指数
未来的三个时期。假设你对一些反应的未来值有先验知识,你想根据你的知识预测未知的反应。指定抽样
作为一个矩阵,包含你知道的值,并使用南
对于你不知道但想要预测的值。例如,抽样= array2table([2南;0.1南;,VariableNames=["GDP" "CPI"])
的未来值,指定您不知道消费者价格指数
,但你知道的国内生产总值
在预测范围内,周期1、2和3分别为2、0.1和未知。
ResponseVariables
- - - - - -<年代pan itemprop="purpose">可供选择的变量抽样
作为响应变量处理y<年代ub>t
字符串向量|<年代pan itemprop="inputvalue">特征向量的单元向量|<年代pan itemprop="inputvalue">整数向量|<年代pan itemprop="inputvalue">逻辑向量
可供选择的变量抽样
作为响应变量处理y<年代ub>t,指定为以下数据类型之一:
包含的字符向量的字符串向量或单元格向量
numseries
中的变量名InSample.Properties.VariableNames
一个长度
numseries
可供选择的变量的唯一索引(整数)向量InSample.Properties.VariableNames
一个长度
numvars
逻辑向量,其中ResponseVariables (
选择变量j
) =真
从j
InSample.Properties.VariableNames
,总和(ResponseVariables)
是numseries
所选变量必须是相同宽度的数值向量(单路径)或矩阵(列表示多条独立路径)。
要计算条件预测,必须指定ResponseVariables
中选择响应变量抽样
对于调理数据。ResponseVariables
仅在指定时应用抽样
.
默认情况下,计算传统的MMSE预测和预测的mse。
例子:ResponseVariables =(“GDP”“CPI”)
例子:ResponseVariables=[true false true false]
或ResponseVariable = 3 [1]
选择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
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来的名字
在报价。
例子:预测(Mdl 10 Y0, X =挂式)
返回一个包含10个周期的预测响应路径的数字数组Mdl
以及预采样响应数据的数值矩阵Y0
,并指定预测范围内模型回归分量的未来预测器数据的数值矩阵挂式
.
PresampleResponseVariables
- - - - - -<年代pan itemprop="purpose">可供选择的变量Tbl1
用于预采样响应数据
字符串向量|<年代pan itemprop="inputvalue">特征向量的单元向量|<年代pan itemprop="inputvalue">整数向量|<年代pan itemprop="inputvalue">逻辑向量
可供选择的变量Tbl1
用于预采样数据,指定为以下数据类型之一:
包含的字符向量的字符串向量或单元格向量
numseries
中的变量名Tbl1.Properties.VariableNames
一个长度
numseries
可供选择的变量的唯一索引(整数)向量Tbl1.Properties.VariableNames
一个长度
numprevars
逻辑向量,其中PresampleResponseVariables (
选择变量j
) =真
从j
Tbl1.Properties.VariableNames
,总和(PresampleResponseVariables)
是numseries
所选变量必须是数值向量,且不能包含缺失值(南
).
PresampleResponseNames
不需要包含与在Mdl。SeriesNames
;预测
使用所选变量中的数据PresampleResponseVariables (
作为一个范例j
)Mdl。SeriesNames (
.j
)
如果变量的个数在Tbl1
匹配Mdl。NumSeries
的所有变量Tbl1
.如果变量的个数在Tbl1
超过Mdl。NumSeries
,默认匹配中的变量Tbl1
到名字Mdl。SeriesNames
.
例子:PresampleResponseVariables =(“GDP”“CPI”)
例子:PresampleResponseVariables=[true false true false]
或PresampleResponseVariable = 3 [1]
为预采样数据选择第一个和第三个表变量。
数据类型:双
|逻辑
|字符
|细胞
|字符串
X
- - - - - -<年代pan itemprop="purpose">预测器数据的预测时间序列x<年代ub>t
数字矩阵
预测器数据的预测时间序列x<年代ub>t要包含在模型回归组件中,指定为包含的数值矩阵numpreds
列。使用X
只有当你提供Y0
.
numpreds
是预测变量的数量(大小(Mdl.Beta, 2)
).
每一行对应于预测视界中的一个观测值,每一行中的测量值同时发生。具体地说,行
(j
X (
)包含预测器观测值j
:)
未来时期,或者j
段时间的预测。j
X
至少要有numperiods
行。如果你提供的行数比需要的多,预测
只使用最早的numperiods
观察。第一行包含最早的观察结果。预测
在预采样期间不使用回归组件。
每一列是一个单独的预测变量。所有预测变量都出现在每个响应方程的回归分量中。
预测
适用于X
到每个路径(页);也就是说,X
表示观测到的预测器的一条路径。
为了保持模型在预测范围内的一致性,当时指定预测的预测因子是一个很好的实践Mdl
有一个回归组件。
默认情况下,预测
排除回归组件,不管它是否存在于Mdl
.
数据类型:双
YF
- - - - - -<年代pan itemprop="purpose">未来多元响应序列数据
数字矩阵|<年代pan itemprop="inputvalue">数字数组
用于条件预测的未来多元响应序列数据,指定为包含的数值矩阵或数组numseries
列。使用YF
只有当你提供Y0
.
每一行对应于预报视界中的观测值,第一行是最早的观测值。具体地说,行j
在采样路径中k
(YF (
)内载有回应j
:,k
)j
未来时期,或者
段时间的预测。j
YF
至少要有numperiods
行覆盖预报地平线。如果你提供的行数比需要的多,预测
只使用第一个numperiods
行。
中的每一列对应于响应变量名Mdl。SeriesNames
.
每个页面对应一个单独的示例路径。具体来说,路径k
(YF (:,:
)捕捉响应序列从过去的预样本演化而来的状态或知识(k
)Y0
)的未来。
如果
YF
是一个矩阵,预测
生成numprepaths
预测路径,初始化每个预采样响应路径Y0
,但在所有路径中,用于调整预测的未来响应数据是相同的。因此,numprepaths
输出参数中的路径数是多少Y
,所有路径都可能从不同的初始条件演化而来。如果
Y0
是一个矩阵,预测
中的每个响应路径(页面)初始化YF
使用相应的预样响应Y0
.因此,numpaths
路径的数量是多少YF
,以及输出参数中的所有路径Y
由共同的初始条件导出。否则,
numpaths
之间的最小值numprepaths
以及页数YF
,预测
适用于Y0 (:,:
初始化预测路径j
)
,因为j
= 1,…,j
numpaths
.
的元素YF
可以是数值标量或缺失值(由南
值)。预测
将数值标量视为预先已知的确定性未来响应,例如由策略设置的响应。预测
预测相应的响应南
值以已知值为条件。
默认情况下,YF
数组由什么组成南
表示完全缺乏对预测范围内所有响应的知识的值。在这种情况下,预测
估计常规MMSE预测。
详情请参见算法.
例子:考虑从一个由四个响应系列组成的模型预测未来三个时期的一条路径。假设你对一些反应的未来值有先验知识,你想根据你的知识预测未知的反应。指定YF
作为一个矩阵,包含你知道的值,并使用南
对于你不知道但想要预测的值。例如,YF=[NaN 2 5 NaN;南南0.1南;楠楠楠楠]
指定您不知道第一个和第四个响应系列的未来值;您知道第二个响应序列中周期1的值,但不知道其他值;你知道第三个响应序列中周期1和2的值,但不知道周期3的值。
数据类型:双
PredictorVariables
- - - - - -<年代pan itemprop="purpose">可供选择的变量抽样
作为外生预测变量x<年代ub>t
字符串向量|<年代pan itemprop="inputvalue">特征向量的单元向量|<年代pan itemprop="inputvalue">整数向量|<年代pan itemprop="inputvalue">逻辑向量
可供选择的变量抽样
作为外生预测变量x<年代ub>t,指定为以下数据类型之一:
包含的字符向量的字符串向量或单元格向量
numpreds
中的变量名InSample.Properties.VariableNames
一个长度
numpreds
可供选择的变量的唯一索引(整数)向量InSample.Properties.VariableNames
一个长度
numvars
逻辑向量,其中PredictorVariables (
选择变量j
) =真
从j
InSample.Properties.VariableNames
,总和(PredictorVariables)
是numpreds
无论如何,选定的预测变量
对应于系数j
Mdl。β(:,
.j
)
PredictorVariables
仅在指定时应用抽样
.
所选变量必须是数值向量,且不能包含缺失值(南
).
默认情况下,预测
排除回归组件,不管它是否存在于Mdl
.
例子:PredictorVariables=["M1SL" "TB3MS" "UNRATE"]
例子:PredictorVariables=[true false true false]
或PredictorVariable = 3 [1]
选择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
请注意
南
值Y0
而且X
指出缺失的值。预测
通过按列表删除从数据中删除缺失的值。如果Y0
是一个三维数组,那么预测
执行这些步骤。水平连接页面以形成
numpreobs
——- - - - - -numpaths * numseries
矩阵。删除至少包含一个的任何行
南
从连接的数据。
在观测缺失的情况下,从多个路径得到的结果
Y0
可能不同于从每个路径单独获得的结果。中缺少的值
X
,预测
的每一页中删除相应的行YF
.行移除后X
而且YF
,如果行数小于numperiods
,然后预测
抛出错误。预测
的响应变量时发出错误Tbl1
并从中选取预测变量抽样
包含任何缺失的值。
输出参数
Y
-多元反应序列的MMSE预测
数值矩阵|数值数组
多元响应序列的MMSE预测,作为a返回numobs
——- - - - - -numseries
数值矩阵或numobs
——- - - - - -numseries
——- - - - - -numpaths
数字数组。预测
返回Y
只有当你提供预先的数据Y0
作为数字矩阵或数组。
Y
中的预示例响应的延续Y0
.
每一行都是模拟范围中的一个时间点。具体地说,行j
包含了j
段时间的预测。在所有页面中,一行中的值同时出现。最后一行是最新的预测值。
中的每一列对应于响应序列名称Mdl。SeriesNames
.
页面对应于独立的预测路径。
属性指定条件预测的未来响应YF
参数的名称-值,在已知值YF
出现在相同的位置Y
.然而,Y
中缺失观测值的预测值YF
.
Tbl2
-多变量响应序列和其他变量的MMSE预测
表|时间表
MMSE预测的多元响应序列和其他变量,作为表格或时间表返回,数据类型相同Tbl1
.预测
返回Tbl2
只有当你提供输入的时候Tbl1
.
Tbl2
包含以下变量:
预测的响应路径
numperiods
所选响应序列的长度预测范围y<年代ub>t.每个预测的响应变量Tbl2
是一个numperiods
——- - - - - -numpaths
数字矩阵,numpaths
取决于指定的预示例或未来示例数据中的响应路径数量(请参阅Tbl1
或抽样
).每一行对应于预测视界中的一个时间,每列对应于一个单独的路径。预测
命名预测的响应变量ResponseK
.例如,如果ResponseK
_ResponsesMdl。系列(
是K
)国内生产总值
,Tbl2
包含具有名称的对应预测响应的变量GDP_Responses
.如果你指定ResponseVariables
,
是ResponseK
ResponseVariable (
.否则,K
)
是ResponseK
PresampleResponseVariable (
.K
)如果你指定
抽样
,所有指定的未来响应变量。
如果Tbl2
是时间表,在以下条件下成立:
的行顺序
Tbl2
的行顺序匹配抽样
,当您指定它时。如果您没有指定抽样
的行顺序Tbl2
和行顺序一样吗Tbl1
.如果你指定
抽样
,行次数Tbl2。时间
是InSample.Time (1: numperiods)
.否则,Tbl2.Time (1)
下次是之后吗Tbl1(结束)
相对于采样频率,和Tbl2.Time (2: numperiods)
以下是相对于采样频率的时间。
YMSE
-预测响应的MSE矩阵
数值矩阵的单元向量
预测响应的MSE矩阵,作为a返回numperiods
的-by-1单元向量numseries
——- - - - - -numseries
数字矩阵。细胞的YMSE
组成一个预测误差协方差矩阵的时间序列。细胞j
包含了j
-周期前MSE矩阵。
YMSE
对所有路径都是相同的。
因为预测
处理预测变量X
作为外生的和非随机的,YMSE
反映与输入模型的自回归分量相关的误差协方差Mdl
只有。
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
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。