主要内容

varm

创建向量自回归(VAR)模型

描述

varm函数返回一个varm对象指定的函数形式和存储的参数值p秩序,静止不动的,多元的向量自回归模型(VAR (p))模型。

的关键部件varm对象包括时间序列的数量(反应变量维数)和多元自回归多项式的顺序(p),因为他们完全指定模型结构。其他模型组件包括回归组件关联相同的外生变量预测每个响应系列,和常数和时间趋势项。考虑到反应变量维数p,所有的系数矩阵和innovation-distribution参数是未知的,有价值的,除非你指定他们的价值观。

包含未知参数值来估计模型,通过模型和数据估计。据估计或完全指定的工作varm模型对象,将它传递给一个目标函数

创建

描述

例子

Mdl= varm创建一个VAR(0)模型由一个反应级数。

例子

Mdl= varm (numseries,numlags)创建一个VAR (numlags)模型组成的numseries反应级数。最大的非零延迟numlags。所有的滞后numseries——- - - - - -numseries系数矩阵组成的值。

这个简写语法允许简单的模型模板创建。模型模板适合无限制的参数估计,参数没有估计等式约束。在您创建一个模型,您可以使用点符号改变属性值。

例子

Mdl= varm (名称,值)属性使用名称-值对参数或额外的选项。附上每个名称加上引号。例如,“滞后”,[1 - 4],基于“增大化现实”技术,基于“增大化现实”技术指定了两个自回归系数矩阵基于“增大化现实”技术在落后14

这个手写语法允许创建更灵活的模型。varm推断系列的数量(NumSeries)和自回归多项式学位(P属性设置)。因此,属性值对应于系列的数量或自回归多项式学位必须相互一致。

输入参数

全部展开

简写语法为您提供一种简单的方法来创建适合无限制的参数估计的模型模板。例如,要创建一个VAR(2)模型由三个反应级数,输入:

Mdl = varm (3,2);

数量的时间序列,指定为一个正整数。numseries指定的多元反应变量的维数yt和创新εt

numseries设置NumSeries财产。

数据类型:

数量的滞后反应包括在模型中,指定为一个非负整数。由此产生的模型是一个VAR (numlags)模型。所有的滞后numseries——- - - - - -numseries系数矩阵组成的值。

数据类型:

名称-值对的观点

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家

原来的代码允许您创建模型中部分或全部系数是已知的。在评估期间,估计对任何已知等式约束参数。

例子:8“滞后”,[4]指定一个VAR(8)模型与非零自回归系数矩阵在滞后48

为可写的设置值属性,使用名称,值对参数的语法。例如,“常数”,[1;2],基于“增大化现实”技术,{[0.1 - -0.2;-0.3 - 0.5]}常数(1;2]基于“增大化现实”技术{[0.1 - -0.2;-0.3 - 0.5]}

自回归多项式滞后,指定为逗号分隔组成的“滞后”和一个数字向量包含最多P独特的正整数元素。

的长度滞后基于“增大化现实”技术必须是相等的。滞后(j)相对应的滞后系数矩阵吗基于“增大化现实”技术的{j}

例子:“滞后”,[1 - 4]

数据类型:

属性

全部展开

你可以设置可写属性值创建模型对象时通过使用名称-值对参数语法,或在您创建模型对象通过使用点符号。例如,要创建一个VAR(1)模型组成的两个反应级数,然后指定一个未知的时间趋势项,输入:

Mdl = varm (AR,{南(2)});Mdl。Trend = NaN;

这个属性是只读的。

数量的时间序列,指定为一个正整数。NumSeries指定的多元反应变量的维数yt和创新εt

数据类型:

这个属性是只读的。

多变量自回归多项式订单,指定为一个非负整数。P是有一个非零系数矩阵的最大延迟。不到的滞后P系数矩阵完全由零组成。

P指定的数量presample观测需要初始化模型。

数据类型:

模型拦截(或常数),指定为一个NumSeries1数字向量。

例子:“常数”,[1;2]

数据类型:

自回归系数矩阵与滞后反应,指定为一个细胞向量NumSeries——- - - - - -NumSeries数字矩阵。

指定系数对应于这些系数的迹象VAR模型用差分方程表达符号。

  • 如果你设置滞后名称-值对参数滞后下列条件适用。

    • 的长度基于“增大化现实”技术滞后是相等的。

    • 基于“增大化现实”技术的{j}的系数矩阵是滞后滞后(j)

    • 默认情况下,基于“增大化现实”技术是一个元素个数(滞后)1细胞组成的向量矩阵的值。

  • 否则,下列条件适用。

    • 的长度基于“增大化现实”技术P

    • 基于“增大化现实”技术的{j}的系数矩阵是滞后j

    • 默认情况下,基于“增大化现实”技术是一个P1细胞组成的向量矩阵的值。

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

线性时间趋势项,指定为一个NumSeries1数字向量。没有指定默认值的线性时间趋势模型。

例子:“趋势”,[0.1;0.2)

数据类型:

回归系数矩阵的预测变量,作为指定NumSeries——- - - - - -NumPreds数字矩阵。NumPreds是预测变量的数量,列数的预测数据。

β(j:)包含每个预测的回归系数方程的响应yjtβ(:,k)包含每个响应方程的回归系数预测xk。默认情况下,所有预测变量的回归组件的响应方程。你可以从某些排除某些预测方程通过指定等式约束为0。

例子:在模型中包括3反应和4预测变量,排除第二个预测从第三方程和离开其他人不受限制,指定(南南南南;南南南南;南0南南]

默认值指定没有在模型中回归系数。然而,如果你指定预测数据估计模型时使用估计,然后用MATLAB®β一个适当大小的矩阵值。

例子:“贝塔”,[2 3 1 2;0.5 - 1 6 0.1]

数据类型:

创新的协方差矩阵NumSeries在每一次创新t= 1,…,T指定为一个NumSeries——- - - - - -NumSeries数字,正定矩阵。

例子:协方差,眼睛(2)

数据类型:

模型描述,指定为一个字符串标量或特征向量。varm存储值作为字符串标量。默认值描述模型的参数形式,例如“二维VAR(3)模式”

例子:“描述”、“模式1”

数据类型:字符串|字符

响应系列名称指定为一个NumSeries字符串长度的向量。默认值是(“日元”“Y2”……“YNumSeries']

例子:SeriesNames, {CPI的‘失业’}

数据类型:字符串

请注意

价值元素属性显示未知,可估计的参数。指定的元素表示等式约束在模型估计参数。创新的协方差矩阵协方差不能包含的混合体价值观和实数;你必须完全指定协方差或它必须完全未知的(南(NumSeries))。

对象的功能

估计 适合数据向量自回归(VAR)模型
fevd 生成向量自回归(VAR)模型预测误差方差分解(FEVD)
过滤器 过滤干扰通过向量自回归(VAR)模型
预测 预测向量自回归(VAR)模型反应
gct 格兰杰因果关系并阻止exogeneity测试向量自回归(VAR)模型
推断出 推断出向量自回归模型(VAR)的创新
irf 生成向量自回归(VAR)模型的脉冲响应
模拟 蒙特卡罗模拟的向量自回归(VAR)模型
总结 显示估计的结果向量自回归(VAR)模型
结果 向量自回归(VAR)模型转换为矢量纠错(VEC)模型

例子

全部折叠

创建一个零度VAR模型由一个反应级数。

Mdl = varm
Mdl = varm属性:描述:“维VAR(0)模式”SeriesNames: " Y " NumSeries: 1 P: 0常数:南AR:{}趋势:0β:协方差矩阵[1×0]:南

Mdl是一个varm模型对象。它包含一个响应系列,方差未知常数,和一个未知的创新。模型的属性出现在命令行。

假设你的问题有一个自回归系数在滞后1。创建这样一个模型,设置自回归系数属性(基于“增大化现实”技术)包含一个细胞使用点符号价值。

Mdl。基于“增大化现实”技术={NaN}
Mdl = varm属性:描述:“维VAR(1)模式”SeriesNames: " Y " NumSeries: 1 P: 1常数:南AR:{南}在滞后[1]的趋势:0β:协方差矩阵[1×0]:南

如果你的问题包含多个反应级数,然后使用一个不同的varm语法模型的创建。

创建一个VAR(4)模型对消费者价格指数(CPI)和失业率。

加载Data_USEconModelCPI数据集。声明变量(消费者价格指数)和失业率(UNRATE)系列。

负载Data_USEconModelcpi = DataTable.CPIAUCSL;unrate = DataTable.UNRATE;

创建一个默认的VAR模型使用简写语法(4)。

Mdl = varm (2、4)
Mdl = varm属性:描述:“二维VAR(4)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 4常数:[2×1的向量nan]基于“增大化现实”技术:{2×2的矩阵nan}在滞后(1 2 3…和一个趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵nan)

Mdl是一个varm模型对象。它是一个模型估计的模板。MATLAB®认为任何值作为未知参数值估计。例如,常数属性是一个2×1的向量值。因此,模型常数是活跃的模型参数估计。

包括一个未知的线性时间趋势项通过设置趋势财产使用点符号。

Mdl。Trend = NaN
Mdl = varm属性:描述:“二维VAR(4)模型与线性时间趋势”SeriesNames:“日元”“Y2”NumSeries: 2 P: 4常数:[2×1的向量nan]基于“增大化现实”技术:{2×2的矩阵nan}在滞后(1 2 3…和一个趋势:[2×1的向量nan]β:协方差矩阵(2×0]:[2×2的矩阵nan)

MATLAB的扩张到适当的长度,也就是说,一个2×1的向量值。

创建一个VAR模型三个任意反应级数。在这个方程组指定参数值。

y 1 , t = 1 + 0 2 y 1 , t - - - - - - 1 - - - - - - 0 1 y 2 , t - - - - - - 1 + 0 5 y 3 , t - - - - - - 1 + 1 5 t + ε 1 , t y 2 , t = 1 - - - - - - 0 4 y 1 , t - - - - - - 1 + 0 5 y 2 , t - - - - - - 1 + 2 t + ε 2 , t y 3 , t = - - - - - - 0 1 y 1 , t - - - - - - 1 + 0 2 y 2 , t - - - - - - 1 + 0 3 y 3 , t - - - - - - 1 + ε 3 , t

假设创新多元高斯平均为0和协方差矩阵

Σ = ( 0 1 0 0 1 0 3 0 0 1 0 5 0 0 3 0 1 ]

创建变量的参数值。

c = [1;1;0);Phi1 = {[0.2 -0.1 0.5;-0.4 - 0.2 0;-0.1 0.2 0.3]};δ= (1.5;2;0);σ= [0.1 0.01 0.3; 0.01 0.5 0; 0.3 0 1];

创建一个VAR(1)模型对象代表使用适当的名称-值对系统的动态方程参数。

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属性:描述:“AR-Stationary三维VAR(1)模型与线性时间趋势”SeriesNames:“日元”“Y2”“Y3”NumSeries: 3 P: 1常数:[1 1 0]的基于“增大化现实”技术:{3×3矩阵}滞后[1]的趋势:[1.5 - 2 0]“β:协方差矩阵[3×0]:[3×3矩阵)

Mdl是一个完全指定的varm模型对象。默认情况下,varm第一延迟属性的自回归系数。

你可以调整模型属性使用点符号。例如,考虑一个VAR模型属性的自回归系数矩阵Phi1第二个滞后项,指定一个矩阵的零第一滞后系数,并将一切视为等于Mdl。创建这个VAR(2)模型。

Mdl2 = Mdl;φ= [0 (3、3)Phi1];Mdl2。基于“增大化现实”技术=Phi
Mdl2 = varm属性:描述:“AR-Stationary三维VAR(2)模型与线性时间趋势”SeriesNames:“日元”“Y2”“Y3”NumSeries: 3 P: 2常数:[1 1 0]的基于“增大化现实”技术:{3×3矩阵}滞后[2]的趋势:[1.5 - 2 0]“β:协方差矩阵[3×0]:[3×3矩阵)

或者,您可以创建另一个模型对象使用varm和相同的语法Mdl,但另外指定“滞后”,2

VAR(4)模型适合消费者价格指数(CPI)和失业率数据。

加载Data_USEconModel数据集。

负载Data_USEconModel

画出两个系列在不同的情节。

图;情节(DataTable.Time DataTable.CPIAUCSL);标题(“消费者价格指数”);ylabel (“指数”);包含(“日期”);

图包含一个坐标轴对象。坐标轴对象与标题消费者价格指数(cpi)包含一个类型的对象。

图;情节(DataTable.Time DataTable.UNRATE);标题(“失业率”);ylabel (“百分比”);包含(“日期”);

图包含一个坐标轴对象。失业率坐标轴对象与标题包含一个类型的对象。

稳定的CPI将它转换为一系列的增长率。同步的两个系列通过删除第一个观察失业率系列。

rcpi = price2ret (DataTable.CPIAUCSL);unrate = DataTable.UNRATE(2:结束);

创建一个默认的VAR模型使用简写语法(4)。

Mdl = varm (2、4)
Mdl = varm属性:描述:“二维VAR(4)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 4常数:[2×1的向量nan]基于“增大化现实”技术:{2×2的矩阵nan}在滞后(1 2 3…和一个趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵nan)

Mdl是一个varm模型对象。所有属性包含值对应于参数估计给定数据。

使用整个数据集估计模型。

EstMdl =估计(Mdl [rcpi unrate])
EstMdl = varm属性:描述:“AR-Stationary二维VAR(4)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 4常数:[0.00171639 - 0.316255]的基于“增大化现实”技术:{2×2矩阵}滞后(1 2 3…和一个趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵)

EstMdl是一个估计varm模型对象。它是完全因为所有参数已知值指定。描述表明,自回归多项式是静止的。

从估计显示汇总统计数据。

总结(EstMdl)
AR-Stationary二维VAR(4)模型有效样本大小:241数量的估计参数:18 LogLikelihood: 811.361 AIC: -1586.72 BIC: -1524年价值StandardError TStatistic PValue ___________ _________________ __________ __________常数(1)0.0017164 0.0015988 1.0735 0.28303常数(2)0.31626 0.091961 3.439 0.0005838基于“增大化现实”技术的{1}(1,1)0.30899 0.063356 4.877 1.0772 e-06 AR{1}(2, 1) -4.4834 3.6441 -1.2303 0.21857基于“增大化现实”技术的{1}(1、2)-0.0031796 0.0011306 -2.8122 0.004921基于“增大化现实”技术的{1}(2,2)1.3433 0.065032 20.656 8.546 e - 95基于“增大化现实”技术的{2}(1,1)0.22433 0.069631 3.2217 0.0012741基于“增大化现实”技术的{2}(2,1)7.1896 4.005 1.7951 0.072631基于“增大化现实”技术的{2}(1、2)0.0012375 0.0018631 0.6642 0.50656基于“增大化现实”技术的{2}(2,2)-0.26817 0.10716 -2.5025 0.012331 AR {3} (1,1) 0.35333 0.068287 5.1742 2.2887 e-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} (1、2) -0.00096323 0.0011142 -0.86448 0.38733 AR{4}(2, 2) 0.076725 0.064088 1.1972 0.23123创新协方差矩阵:0.0000 -0.0002 -0.0002 0.1167创新相关矩阵:1.0000 -0.0925 -0.0925 1.0000

这个例子之前,从估计VAR模型(4)

创建和CPI的VAR(4)模型估计增长率和失业率。对待过去十期预测地平线。

负载Data_USEconModelcpi = DataTable.CPIAUCSL;unrate = DataTable.UNRATE;rcpi = price2ret (cpi);unrate = unrate(2:结束);Y = [rcpi unrate];Mdl = varm (2、4);EstMdl =估计(Mdl Y (1: (end-10):));

预计10反应使用估计模型和样本数据作为presample观察。

YF =预测(EstMdl 10 Y (1: (end-10):));

阴谋的一部分系列预测的值在不同的情节。

图;情节(数据表。Time(end - 50:end),rcpi(end - 50:end)); hold情节(数据表。Time((end - 9):end),YF(:,1)) h = gca; fill(DataTable.Time([end - 9 end end end - 9]),h.YLim([1,1,2,2]),“k”,“FaceAlpha”,0.1,“EdgeColor”,“没有”);传奇(“真正的CPI增长”,“预期CPI增长”,“位置”,“西北”)标题(“季度CPI增长速度:1947 - 2009”);ylabel (CPI增长的);包含(“年”);持有

图包含一个坐标轴对象。坐标轴对象标题季度CPI增长速度:1947 - 2009包含3线类型的对象,补丁。这些对象代表真正的CPI增长速度,预测CPI增长速度。

图;情节(数据表。Time(end - 50:end),unrate(end - 50:end)); hold情节(数据表。Time((end - 9):end),YF(:,2)) h = gca; fill(DataTable.Time([end - 9 end end end - 9]),h.YLim([1,1,2,2]),“k”,“FaceAlpha”,0.1,“EdgeColor”,“没有”);传奇(“真正的失业率”,“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”);持有

图包含一个坐标轴对象。坐标轴对象标题季度失业率:1947 - 2009包含3线类型的对象,补丁。这些对象代表真正的失业率,预测失业率。

更多关于

全部展开

介绍了R2017a