varm
创建向量自回归(VAR)模型
描述
的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。
创建
描述
创建一个VAR(0)模型由一个反应级数。Mdl
= varm
输入参数
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);
numseries
- - - - - -数量的时间序列米
1
(默认)|正整数
numlags
- - - - - -数量的滞后反应
非负整数
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
系数矩阵组成的南
值。
数据类型:双
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。
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4
和8
。
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]}
集常数
来(1;2]
和基于“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)|独特的正整数数值向量
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
和基于“增大化现实”技术
必须是相等的。滞后(
相对应的滞后系数矩阵吗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
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;
NumSeries
- - - - - -数量的时间序列米
正整数
这个属性是只读的。
数量的时间序列米,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:双
P
- - - - - -多变量自回归多项式阶
非负整数
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:双
常数
- - - - - -模型拦截
南(NumSeries, 1)
(默认)|数值向量
模型拦截(或常数),指定为一个NumSeries
1数字向量。
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
单元格数值矩阵的向量
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
和滞后
是相等的。基于“增大化现实”技术的{
的系数矩阵是滞后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)
1细胞组成的向量矩阵的南
值。
否则,下列条件适用。
的长度
基于“增大化现实”技术
是P
。基于“增大化现实”技术的{
的系数矩阵是滞后j
}j
。默认情况下,
基于“增大化现实”技术
是一个P
1细胞组成的向量矩阵的南
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,指定为一个NumSeries
1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:双
β
- - - - - -回归系数矩阵
NumSeries
由0空矩阵(默认)|数字矩阵
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(
包含每个预测的回归系数方程的响应yj
:)j
t。β(:,
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。k
)
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®集β
一个适当大小的矩阵南
值。
例子:“贝塔”,[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)|数字,正定矩阵
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:双
描述
- - - - - -模型描述
字符串标量|特征向量
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
SeriesNames
- - - - - -反应级数的名字
字符串向量|单元阵列的特征向量
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”……“Y
。NumSeries
']
例子:SeriesNames, {CPI的‘失业’}
数据类型:字符串
请注意
南
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
不能包含的混合体南
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
例子
创建和修改默认模式
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
)包含一个细胞南
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VAR(4)模型参数估计的模板
创建一个VAR(4)模型对消费者价格指数(CPI)和失业率。
加载Data_USEconModel
CPI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®认为任何南
值作为未知参数值估计。例如,常数
属性是一个2×1的向量南
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
财产南
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的扩张南
到适当的长度,也就是说,一个2×1的向量南
值。
指定所有VAR模型的参数值
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。
假设创新多元高斯平均为0和协方差矩阵
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
。
估计VAR模型(4)
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;情节(DataTable.Time DataTable.UNRATE);标题(“失业率”);ylabel (“百分比”);包含(“日期”);
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。所有属性包含南
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
从VAR(4)模型预测的反应
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在情节(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”);持有从
图;情节(数据表。Time(end - 50:end),unrate(end - 50:end)); hold在情节(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”);持有从
更多关于
向量自回归模型
一个向量自回归(VAR)模型是一个静止的多元时间序列模型组成的一个系统的米方程米不同的响应变量的线性函数的滞后反应和其他条件。
一个VAR (p)模型差分方程的符号而在简化型是
yt是一个
numseries
1对应的值的向量numseries
响应变量在时间t,在那里t= 1,…,T。结构系数是单位矩阵。c是一个
numseries
1的向量常量。Φj是一个
numseries
——- - - - - -numseries
自回归系数矩阵,j= 1,…,p和Φp不是一个矩阵只包含0。xt是一个
numpreds
1对应的值的向量numpreds
外生变量预测指标。β是一个
numseries
——- - - - - -numpreds
回归系数的矩阵。δ是一个
numseries
1的向量的线性时间趋势值。εt是一个
numseries
1的向量随机高斯创新,每一个都有代表0和集体numseries
——- - - - - -numseries
Σ协方差矩阵。为t≠年代,εt和ε年代是独立的。
浓缩和滞后算子符号,系统
在哪里
Φ(l)yt多变量自回归多项式,我是numseries
——- - - - - -numseries
单位矩阵。
例如,一个VAR(1)模型包含两个反应级数和三个外生变量预测这种形式
Beispiel offnen
您有一张这本Beispiels geanderte版本。您这本Beispiel麻省理工学院古老Anderungen offnen吗?
MATLAB-Befehl
您有窗户的链接geklickt,汪汪汪der diesem MATLAB-Befehl entspricht:
在das MATLAB-Befehlsfenster Fuhren您窝Befehl军队Eingabe来自。浏览器unterstutzen MATLAB-Befehle。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。