varm
创建向量自回归(VAR)模型
描述
的varm
函数返回varm
对象,指定函数形式并存储的参数值p-有序,平稳,多元向量自回归模型(VAR (p))模型。
a的关键组成部分varm
对象中包含时间序列的个数(反应变量维数)和多元自回归多项式的阶数(p),因为它们完全指定了模型结构。其他模型组件包括回归组件,将相同的外生预测变量关联到每个响应系列,以及常数和时间趋势项。给定响应变量维数和p,所有的系数矩阵和创新分布参数都是未知的和可估计的,除非你指定它们的值。
为了估计包含未知参数值的模型,将模型和数据传递给估计
.用估计的或完全指定的东西工作varm
模型对象,将其传递给目标函数.或者,您可以创建并使用varm
通过使用交互地对对象建模计量经济学建模师.
创建
描述
创建一个由一个响应序列组成的VAR(0)模型。Mdl
= varm
输入参数
简写语法为您提供了一种创建模型模板的简便方法,该模型模板适用于不受限制的参数估计。例如,要创建一个由三个响应序列组成的VAR(2)模型,输入:
Mdl = varm(3,2);
numseries
- - - - - -时间序列个数米
1
(默认)|正整数
numlags
- - - - - -滞后反应次数
非负整数
要包含在模型中的滞后响应数,指定为非负整数。得到的模型是一个VAR(numlags
)模型。所有滞后都有numseries
——- - - - - -numseries
系数矩阵由南
值。
数据类型:双
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。
手动语法使您能够创建部分或所有系数已知的模型。在评估期间,估计
对任何已知参数施加相等约束。
例子:8“滞后”,[4]
指定了在滞后时具有非零自回归系数矩阵的VAR(8)模型4
而且8
.
为可写设置值属性,使用名称,值
对参数语法。例如,“常数”,[1;2],基于“增大化现实”技术,{[0.1 - -0.2;-0.3 - 0.5]}
集常数
来(1;2]
而且基于“增大化现实”技术
来{[0.1 - -0.2;-0.3 - 0.5]}
.
滞后
- - - - - -自回归多项式滞后
1: P
(默认)|唯一正整数的数字向量
自回归多项式滞后,指定为逗号分隔的对,由“滞后”
一个数值向量,最多包含P
唯一正整数的元素。
的长度滞后
而且基于“增大化现实”技术
必须是相等的。滞后(
滞后是否对应于系数矩阵j
)基于“增大化现实”技术的{
.j
}
例子:“滞后”,[1 - 4]
数据类型:双
属性
当您使用名称-值对参数语法创建模型对象时,或者在您使用点表示法创建模型对象之后,您可以设置可写的属性值。例如,要创建由两个响应序列组成的VAR(1)模型,然后指定一个未知的时间趋势项,输入:
Mdl = varm('AR',{NaN(2)});Mdl。Trend = NaN;
NumSeries
- - - - - -时间序列个数米
正整数
此属性是只读的。
时间序列个数米,指定为正整数。NumSeries
指定多变量响应变量的维数yt和创新εt.
数据类型:双
P
- - - - - -多元自回归多项式阶
非负整数
此属性是只读的。
多元自回归多项式顺序,指定为非负整数。P
是具有非零系数矩阵的最大滞后。小于的滞后P
可以有完全由零组成的系数矩阵。
P
指定初始化模型所需的预采样观察数。
数据类型:双
常数
- - - - - -模型拦截
南(NumSeries, 1)
(默认)|数值向量
模型拦截(或常量),指定为NumSeries
-by-1数值向量。
例子:“常数”,[1;2]
数据类型:双
基于“增大化现实”技术
- - - - - -自回归系数矩阵
数值矩阵的单元向量
与滞后响应相关的自回归系数矩阵,指定为的单元向量NumSeries
——- - - - - -NumSeries
数字矩阵。
指定对应于这些系数的系数符号VAR模型用差分方程表示。
如果你设置
滞后
到的名称-值对参数滞后
,则适用以下条件。的长度
基于“增大化现实”技术
而且滞后
是相等的。基于“增大化现实”技术的{
滞后系数是矩阵吗j
}滞后(
.j
)默认情况下,
基于“增大化现实”技术
是一个元素个数(滞后)
-由1单元向量组成的矩阵南
值。
否则,适用以下条件。
的长度
基于“增大化现实”技术
是P
.基于“增大化现实”技术的{
滞后系数是矩阵吗j
}j
.默认情况下,
基于“增大化现实”技术
是一个P
-由1单元向量组成的矩阵南
值。
例子:基于“增大化现实”技术,{[0.5 - -0.1;0.1 - 0.2]}
数据类型:细胞
趋势
- - - - - -线性时间趋势
0 (NumSeries, 1)
(默认)|数值向量
线性时间趋势项,用a表示NumSeries
-by-1数值向量。默认值指定模型中没有线性时间趋势。
例子:“趋势”,[0.1;0.2)
数据类型:双
β
- - - - - -回归系数矩阵
NumSeries
-by-0空矩阵(默认)|数字矩阵
与预测变量相关的回归系数矩阵,用a表示NumSeries
——- - - - - -NumPreds
数字矩阵。NumPreds
是预测器变量的数量,即预测器数据中的列数。
β(
包含响应方程中每个预测因子的回归系数yj
:)j
t.β(:,
包含预测器各响应方程中的回归系数xk.默认情况下,所有预测变量都在所有响应方程的回归分量中。通过将等式约束指定为0,可以从某些方程中排除某些预测因子。k
)
例子:在一个包括3个响应和4个预测变量的模型中,要从第三个方程中排除第二个预测变量,并让其他预测变量不受限制,请指定[楠楠楠楠;南南南南;NaN 0 NaN NaN]
.
默认值指定模型中没有回归系数。但是,如果您在估计模型时指定预测器数据使用估计
,然后MATLAB®集β
的适当大小的矩阵南
值。
例子:'Beta',[2 3 -1 2;0.5 -1 -6 0.1]
数据类型:双
协方差
- - - - - -创新协方差矩阵
南(NumSeries)
(默认)|数值,正定矩阵
创新的协方差矩阵NumSeries
每次都有创新t= 1,…,T,指定为NumSeries
——- - - - - -NumSeries
数值,正定矩阵。
例子:协方差,眼睛(2)
数据类型:双
描述
- - - - - -模型描述
字符串标量|特征向量
模型描述,指定为字符串标量或字符向量。varm
将值存储为字符串标量。例如,默认值描述模型的参数形式“二维VAR(3)模型”
.
例子:“描述”、“模式1”
数据类型:字符串
|字符
SeriesNames
- - - - - -响应系列名称
字符串向量|字符向量的单元格数组
响应系列名称,指定为NumSeries
长度字符串向量。默认为[' y1 ' ' y2 '…“Y
.NumSeries
']
例子:SeriesNames, {CPI的‘失业’}
数据类型:字符串
请注意
南
属性中的-value元素表示未知的、可估计的参数。指定元素表示模型估计中参数的相等约束。创新协方差矩阵协方差
不能包含的混合南
值和实数;必须完全指定协方差,否则协方差必须完全未知(南(NumSeries)
).
对象的功能
例子
创建和修改默认模型
创建一个由一个响应序列组成的零度VAR模型。
Mdl = varm
Mdl = varm与属性:描述:"1维VAR(0)模型" SeriesNames: "Y" NumSeries: 1 P: 0常数:NaN AR:{}趋势:0 Beta: [1×0矩阵]协方差:NaN
Mdl
是一个varm
模型对象。它包含一个响应序列、一个未知常数和一个未知创新方差。模型的属性出现在命令行中。
假设你的问题在滞后1时有一个自回归系数。要创建这样的模型,请设置自回归系数属性(基于“增大化现实”技术
)到包含南
值使用点表示法。
Mdl。基于“增大化现实”技术={NaN}
Mdl = varm与属性:描述:"1维VAR(1)模型" SeriesNames: "Y" NumSeries: 1 P: 1常数:NaN AR: {NaN}在滞后[1]趋势:0 Beta: [1×0矩阵]协方差:NaN
如果您的问题包含多个响应系列,则使用不同的响应系列varm
用于模型创建的语法。
创建VAR(4)模型模板进行参数估计
为消费者价格指数(CPI)和失业率创建一个VAR(4)模型。
加载Data_USEconModel
数据集。为CPI (消费者价格指数
)和失业率(UNRATE
)系列。
负载Data_USEconModelcpi = datatitable . cpiaucsl;unrate =数据表。unrate;
使用简写语法创建一个默认的VAR(4)模型。
Mdl = varm(2,4)
Mdl = varm与属性:描述:“2维VAR(4)模型”SeriesNames:“Y1”“Y2”NumSeries: 2 P: 4常数:[2×1向量的NaNs] AR: {2×2矩阵的NaNs}在滞后[1 2 3…[趋势:[2×1零向量]Beta: [2×0矩阵]协方差:[2×2 nan矩阵]
Mdl
是一个varm
模型对象。它作为模型估计的模板。MATLAB®考虑任何南
值作为未知参数值进行估计。例如,常数
属性是一个2 × 1向量南
值。因此,模型常数是需要估计的活跃模型参数。
属性包含未知的线性时间趋势项趋势
财产南
使用点表示法。
Mdl。Trend = NaN
Mdl = varm与属性:描述:“2维VAR(4)模型与线性时间趋势”SeriesNames:“Y1”“Y2”NumSeries: 2 P: 4常数:[2×1向量的NaNs] AR: {2×2矩阵的NaNs}在滞后[1 2 3…[趋势:[2×1 NaNs向量]Beta: [2×0矩阵]协方差:[2×2 NaNs矩阵]
MATLAB的扩张南
到合适的长度,即2 × 1的向量南
值。
指定VAR模型的所有参数值
为三个任意响应系列创建VAR模型。指定这个方程组中的参数值。
假设创新是多元高斯,均值为0,协方差矩阵
为参数值创建变量。
C = [1;1;0);Phi1 = {[0.2 -0.1 0.5;-0.4 0.2 0;-0.1 0.2 0.3]};Delta = [1.5;2;0);σ = [0.1 0.01 0.3; 0.01 0.5 0; 0.3 0 1];
创建VAR(1)模型对象,使用适当的名称-值对参数表示动态方程系统。
Mdl = varm(“不变”c基于“增大化现实”技术的Phi1,“趋势”三角洲,协方差的σ)
Mdl = varm与属性:描述:“AR-平稳的三维VAR(1)模型与线性时间趋势”SeriesNames:“Y1”“Y2”“Y3”NumSeries: 3 P: 1常数:[1 1 0]' AR: {3×3矩阵}在滞后[1]趋势:[1.5 2 0]' Beta: [3×0矩阵]协方差:[3×3矩阵]
Mdl
是完全指定的varm
模型对象。默认情况下,varm
将自回归系数归为第一个滞后。
您可以使用点表示法调整模型属性。例如,考虑另一个自回归系数矩阵的VAR模型Phi1
到第二个滞后项,为第一个滞后系数指定一个零矩阵,并将所有其他项视为等于Mdl
.创建这个VAR(2)模型。
Mdl2 = Mdl;Phi = [0 (3,3) Phi1];Mdl2。基于“增大化现实”技术=Phi
Mdl2 = varm与属性:描述:“AR-平稳的三维VAR(2)模型与线性时间趋势”SeriesNames:“Y1”“Y2”“Y3”NumSeries: 3 P: 2常数:[1 1 0]' AR: {3×3矩阵}在滞后[2]趋势:[1.5 2 0]' Beta: [3×0矩阵]协方差:[3×3矩阵]
或者,您可以使用varm
和的语法相同Mdl
,但另外指定“滞后”,2
.
VAR(4)模型拟合响应数据矩阵
将VAR(4)模型与消费者价格指数(CPI)和失业率序列拟合。以数字矩阵的形式提供响应序列。
加载Data_USEconModel
数据集。
负载Data_USEconModel
把这两个系列分别画在不同的地方。
图;情节(DataTimeTable.Time DataTimeTable.CPIAUCSL);标题(“消费物价指数”) ylabel (“指数”)包含(“日期”)
图;情节(DataTimeTable.Time DataTimeTable.UNRATE);标题(“失业率”);ylabel (“百分比”);包含(“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:结束);
使用简写语法创建一个默认的VAR(4)模型。
Mdl = varm(2,4)
Mdl = varm与属性:描述:“2维VAR(4)模型”SeriesNames:“Y1”“Y2”NumSeries: 2 P: 4常数:[2×1向量的NaNs] AR: {2×2矩阵的NaNs}在滞后[1 2 3…[趋势:[2×1零向量]Beta: [2×0矩阵]协方差:[2×2 nan矩阵]
Mdl
是一个varm
模型对象。所有属性包含南
值对应于给定数据要估计的参数。
使用整个数据集估计模型。
EstMdl =估计(Mdl,[rcpi unrate])
EstMdl = varm与属性:描述:“AR-平稳2维VAR(4)模型”SeriesNames:“Y1”“Y2”NumSeries: 2 P: 4常数:[0.00171639 0.316255]' AR: {2×2矩阵}在滞后[1 2 3…[趋势:[2×1零向量]Beta: [2×0矩阵]协方差:[2×2矩阵]
EstMdl
是估计的varm
模型对象。它是完全指定的,因为所有参数都有已知值。说明自回归多项式是平稳的。
显示来自估算的汇总统计信息。
总结(EstMdl)
ar平稳二维VAR(4)模型有效样本量:241估计参数数:18 LogLikelihood: 811.361 AIC: -1586.72 BIC:-1524 Value StandardError TStatistic PValue ___________ _____________ __________ __________ Constant(1) 0.0017164 0.0015988 1.0735 0.28303 Constant(2) 0.31626 0.091961 3.439 0.0005838 AR{1}(1,1) 0.30899 0.063356 4.877 1.0772e-06 AR{1}(2,1) -4.4834 3.6441 -1.2303 0.21857 AR{1}(1,2) -0.0031796 0.0011306 -2.8122 0.004921 AR{1}(2,2) 1.3433 0.065032 20.656 8.546e-95 AR{2}(1,1) 0.22433 0.069631 3.2217 0.0012741 AR{2}(1,2) 0.0012375 0.0018631 0.6642 0.50656AR{2}(2,2) -0.26817 0.10716 -2.5025 0.012331 AR{3}(1,1) 0.35333 0.068287 5.1742 2.2887e-07 AR{3}(2,1) 1.487 3.9277 0.37858 0.705 AR{3}(1,2) 0.0028594 0.0018621 1.5355 0.12465 AR{3}(2,2) -0.22709 0.1071 -2.1202 0.033986 AR{4}(1,1) -0.047563 0.069026 -0.68906 0.49079 AR{4}(2,1) 8.6379 3.9702 2.1757 0.029579 AR{4}(2,2) -0.00096323 0.0011142 -0.86448 0.38733 AR{4}(2,2) 0.076725 0.064088 1.1972 0.23123创新相关矩阵:0.0000 -0.0002 -0.0002 0.1167创新相关矩阵:1.0000 -0.0925 -0.0925 1.0000
VAR(4)模型预测响应
这个例子来自VAR(4)模型拟合响应数据矩阵.
创建并估计CPI增长率和失业率的VAR(4)模型。将最近10个周期作为预测视界。
负载Data_USEconModelcpi = datatitable . cpiaucsl;unrate =数据表。unrate;Rcpi = price2ret;Unrate = Unrate(2:结束);Y = [rcpi unrate];Mdl = varm(2,4);EstMdl =估计(Mdl,Y(1:(end-10),:));
使用估计模型和样本内数据作为预样本观测,预测10个响应。
YF = forecast(EstMdl,10,Y(1:(end-10),:));
在单独的图上用它们的预测值画出系列的一部分。
图绘制(DataTimeTable。Time(end - 50:end),rcpi(end - 50:end)); hold在情节(DataTimeTable。Time((end - 9):end),YF(:,1)) h = gca; fill(DataTimeTable.Time([end - 9 end end end - 9]),h.YLim([1,1,2,2]),“k”,...“FaceAlpha”, 0.1,“EdgeColor”,“没有”);传奇(“真实CPI增长率”,“预计CPI增长率”,...“位置”,“西北”)标题(季度CPI增长率:1947 - 2009) ylabel (“CPI增长率”)包含(“年”)举行从
图绘制(DataTimeTable。Time(end - 50:end),unrate(end - 50:end)); hold在情节(DataTimeTable。Time((end - 9):end),YF(:,2)) h = gca; fill(DataTimeTable.Time([end - 9 end end end - 9]),h.YLim([1,1,2,2]),“k”,...“FaceAlpha”, 0.1,“EdgeColor”,“没有”);传奇(“真实失业率”,“预测失业率”,...“位置”,“西北”)标题(季度失业率:1947 - 2009) ylabel (“失业率”)包含(“年”)举行从
更多关于
向量自回归模型
一个向量自回归(VAR)模型平稳多元时间序列模型是否由米方程米不同的响应变量作为滞后响应和其他术语的线性函数。
一个VAR (p)模型差分方程的符号而在简化型是
yt是一个
numseries
-by-1向量的值对应于numseries
时间响应变量t,在那里t= 1,…,T.结构系数是单位矩阵。c是一个
numseries
常数的-by-1向量。Φj是一个
numseries
——- - - - - -numseries
自回归系数矩阵,其中j= 1,…,p和Φp不是一个只包含0的矩阵。xt是一个
numpreds
-by-1向量的值对应于numpreds
外生预测变量。β是一个
numseries
——- - - - - -numpreds
回归系数矩阵。δ是一个
numseries
线性时间趋势值的-by-1向量。εt是一个
numseries
-by-1的随机高斯变换向量,每个均值为0,加起来为anumseries
——- - - - - -numseries
协方差矩阵Σ。为t≠年代,εt而且ε年代是独立的。
这个系统是用延迟运算符表示的
在哪里
Φ(l)yt多元自回归多项式,和我是numseries
——- - - - - -numseries
单位矩阵。
例如,包含两个响应序列和三个外生预测变量的VAR(1)模型就是这种形式
版本历史
在R2017a中引入
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。