fevd
生成向量自回归(VAR)模型预测误差方差分解(FEVD)
描述
要估计或绘制以结构、自回归或移动平均系数矩阵为特征的动态线性模型的FEVD,请参见armafevd
.
FEVD提供了关于每个创新在影响系统中所有响应变量的预测误差方差方面的相对重要性的信息。相比之下,脉冲响应函数(IRF)追踪了创新冲击对系统中所有变量响应的影响。为估计以a为特征的VAR模型的IRFvarm
模型对象,请参见irf
.
您可以提供可选的数据,如预样本、数字数组、表格或时间表。但是,所有指定的输入数据必须是相同的数据类型。当估计输入模型时(由估计
),提供与用于估计模型的数据相同的数据类型。输出的数据类型与指定输入数据的数据类型相匹配。
例子
在绘制FEVD时指定数值矩阵中的数据
拟合4-D VAR(2)模型丹麦货币和收入率系列数据在一个数字矩阵。然后,根据估计的模型估计并绘制正交FEVD。
加载丹麦货币和收入数据集。
负载Data_JDanish
有关数据集的更多详细信息,请输入描述
在命令行。
假设级数是平稳的,创建一个varm
模型对象,表示4-D VAR(2)模型。指定变量名。
Mdl = varm(4,2);Mdl。SeriesNames = DataTable.Properties.VariableNames;
Mdl
是一个varm
模型对象,指定4-D VAR(2)模型的结构;它是一个用于估计的模板。
VAR(2)模型拟合时间序列数据的数值矩阵数据
.
EstMdl =估计(Mdl,数据);
EstMdl
是完全指定的varm
模型对象表示估计的4-D VAR(2)模型。
从估计的VAR(2)模型估计正交FEVD。
分解= fevd(EstMdl);
分解
是一个20 × 4 × 4的数组,表示的FEVDMdl
.行对应时间1到20的连续时间点,列对应时间0时受到一个标准差创新冲击的变量,页对应预测误差方差的变量fevd
分解。Mdl。SeriesNames
指定变量的顺序。
因为分解
表示一个正交的FEVD,行和应为1
.这一特征说明,正交fevd表示方差贡献的比例。确认所有行分解
总和为1
.
rowsum = sum(分解,2);求和((rowsum - 1).^2 > eps)
ans = ans (:: 1) = 0 ans (:,: 2) = 0 ans (:,:, 3) = 0 ans (:,:, 4) = 0
页面之间的行和接近于1。
显示实际收入在时间0受到冲击时对债券利率预测误差方差的贡献。
分解:2 3)
ans =20×10.0499 0.1389 0.1700 0.1807 0.1777 0.1694 0.1601 0.1516 0.1446 0.1390
通过估计的AR系数矩阵和创新协方差矩阵,在不同的图上绘制各系列的fevdMdl
来armafevd
.
armafevd (EstMdl。基于“增大化现实”技术,[],“InnovCov”, EstMdl.Covariance);
每个图显示了一个变量在时间0时所有其他变量都受到冲击时的四个fevd。Mdl。SeriesNames
指定变量的顺序。
VAR模型的广义FEVD估计
中的4-D VAR(2)模型在绘制FEVD时指定数值矩阵中的数据.估计系统100个周期的广义FEVD。
加载丹麦货币和收入数据集,然后估计VAR(2)模型。
负载Data_JDanishMdl = varm(4,2);Mdl。SeriesNames = DataTable.Properties.VariableNames;Mdl =估计(Mdl, dattable . series);
从估计的VAR(2)模型在长度为100的预测水平上估计广义FEVD。
分解= fevd(Mdl,方法=“广义”NumObs = 100);
分解
是一个100 × 4 × 4的数组,表示的广义FEVDMdl
.
绘制时刻0实际收入受到冲击时债券利率的广义FEVD。
图;情节(1:10 0,分解:2,3))标题(“Y休克时IB的FEVD”)包含(“预测地平线”) ylabel (“方差贡献”网格)在
当实际收入受到冲击时,债券利率对预测误差方差的贡献稳定在0.061左右。
计算FEVD和置信区间时在时间表中指定数据
将4-D VAR(2)模型拟合到时间表中的丹麦货币和收入率系列数据。然后,根据估计的模型估计并绘制正交FEVD和相应的置信区间。
加载丹麦货币和收入数据集。
负载Data_JDanish
数据集包括时间表中的四个时间序列DataTimeTable
.有关数据集的更多详细信息,请输入描述
在命令行。
假设级数是平稳的,创建一个varm
模型对象,表示4-D VAR(2)模型。指定变量名。
Mdl = varm(4,2);Mdl。SeriesNames = datatitable . properties . variablenames;
Mdl
是一个varm
模型对象,指定4-D VAR(2)模型的结构;它是一个用于估计的模板。
将VAR(2)模型拟合到数据集。
EstMdl =估计(Mdl,DataTimeTable);
Mdl
是完全指定的varm
模型对象表示估计的4-D VAR(2)模型。
从估计的VAR(2)模型估计正交FEVD和相应的95%置信区间。要返回置信区间,必须设置一个控制置信区间的名称-值参数,例如,信心
.集信心
来0.95
.
rng (1);%用于再现性Tbl = fevd(EstMdl,Confidence=0.95);大小(台)
ans =1×220日12
资源描述
是一个时间表,有20行,代表FEVD中的时期,和12个变量。每个变量都是一个20 × 4的FEVD矩阵,或与模型中某个变量相关的置信界EstMdl
.例如,Tbl.M2_FEVD (: 2)
FEVD是多少平方米
由一个标准差的电击引起01 - 4月- 1974
(周期0)到Mdl.SeriesNames (2)
,即变量Y
.[Tbl.M2_FEVD_LowerBound (: 2)
,Tbl.M2_FEVD_UpperBound (: 2)
]为对应的95%置信区间。
绘制M2的FEVD及其由1个标准差冲击产生的95%置信区间01 - 4月- 1974
(周期0)到Mdl.SeriesNames (2)
,即变量Y
.
idxM2 = startsWith(Tbl.Properties.VariableNames,“平方米”);M2FEVD = Tbl(:,idxM2);shockIdx = 2;图保存在情节(M2FEVD.Time M2FEVD.M2_FEVD (:, shockIdx),“o”)情节(M2FEVD.Time [M2FEVD.M2_FEVD_LowerBound (:, shockIdx)...M2FEVD.M2_FEVD_UpperBound (:, shockIdx)】,“o”颜色=“r”)传说(“FEVD”,“95%置信区间”)标题(“M2 FEVD,冲击到Y”)举行从
真FEVD的蒙特卡罗置信区间
中的4-D VAR(2)模型在绘制FEVD时指定数值矩阵中的数据.估计并绘制其正交FEVD和真实FEVD的95%蒙特卡罗置信区间。
加载丹麦货币和收入数据集,然后估计VAR(2)模型。
负载Data_JDanishMdl = varm(4,2);Mdl。SeriesNames = DataTable.Properties.VariableNames;Mdl =估计(Mdl, dattable . series);
从估计的VAR(2)模型估计FEVD和相应的95%蒙特卡罗置信区间。
rng (1);%用于再现性[分解,下,上]= fevd(Mdl);
分解
,较低的
,上
是20 × 4 × 4的数组,表示Mdl
以及相应的置信区间下界和上界。对于所有数组,行对应时间1到20的连续时间点,列对应时间0时接受一个标准差创新冲击的变量,页对应预测误差方差的变量fevd
分解。Mdl。SeriesNames
指定变量的顺序。
绘制在时间0时,实际收入受到冲击时,正交化的FEVD及其债券利率的置信区间。
fevdshock2resp3 =分解(:,2,3);fevdcshock2resp3 = [Lower(:,2,3) Upper(:,2,3)];图;H1 = plot(1:20,fevdshock2resp3);持有在h2 = plot(1:20,FEVDCIShock2Resp3,“r——”);传奇([h1 h2(1)]、[“FEVD”“95%置信区间”),...“位置”,“最佳”)包含(“预测地平线”);ylabel (“方差贡献”);标题(“Y休克时IB的FEVD”);网格在持有从
从长期来看,当实际收入受到冲击时,债券利率的预测误差方差比例在95%的置信度下稳定在约0 ~ 0.5之间。
真FEVD的Bootstrap置信区间
中的4-D VAR(2)模型在绘制FEVD时指定数值矩阵中的数据.估计并绘制其正交FEVD和真实FEVD的90%自举置信区间。
加载丹麦货币和收入数据集,然后估计VAR(2)模型。返回模型估计的残差。
负载Data_JDanishMdl = varm(4,2);Mdl。SeriesNames = DataTable.Properties.VariableNames;[Mdl,~,~,Res] =估计(Mdl, dattable . series);T = size(DataTable,1)总样本量
T = 55
n = size(Res,1)有效样本量%
N = 53
Res
是一个53乘4的残差数组。列对应于中的变量Mdl。SeriesNames
.的估计
功能要求Mdl。P
= 2个观测值,初始化VAR(2)模型进行估计。因为预采样数据(Y0
)未指明,估计
获取指定响应数据中的前两个观察值以初始化模型。因此,得到的有效样本量为T
- - - - - -Mdl。P
= 53,和行Res
对应观测指标3通过T
.
从估计的VAR(2)模型估计正交FEVD和相应的90%自举置信区间。画500条长度的路径n
从残差级数中。
rng (1);%用于再现性[分解,下,上]= fevd(Mdl,E=Res,NumPaths=500,...信心= 0.9);
绘制在时间0时,实际收入受到冲击时,正交化的FEVD及其债券利率的置信区间。
fevdshock2resp3 =分解(:,2,3);fevdcshock2resp3 = [Lower(:,2,3) Upper(:,2,3)];图;H1 = plot(0:19,fevdshock2resp3);持有在h2 = plot(0:19,FEVDCIShock2Resp3,“r——”);传奇([h1 h2(1)]、[“FEVD”“90%置信区间”),...“位置”,“最佳”)包含(“时间指数”);ylabel (“响应”);标题(“Y休克时IB的FEVD”);网格在持有从
从长期来看,当实际收入受到冲击时,债券利率的预测误差方差占比在约0.05 ~ 0.4之间,置信度为90%。
输入参数
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:fevd (NumObs = 10, Mdl方法=“广义”,E = Res)
指定估计周期1到10的广义FEVD,并自举数值数组中的残差Res
计算95%置信限。
NumObs
- - - - - -周期数
20.
(默认)|正整数
方法
- - - - - -FEVD计算方法
“使正交化”
(默认)|“广义”
|特征向量
FEVD的计算方法,在本表中指定一个值。
价值 | 描述 |
---|---|
“使正交化” |
使用正交的、单标准差的创新冲击计算方差分解。fevd 的Cholesky因式分解Mdl。Covariance 正交化。 |
“广义” |
使用单标准差创新冲击计算方差分解。 |
例子:方法=“广义”
数据类型:字符
|字符串
NumPaths
- - - - - -样本路径数
One hundred.
(默认)|正整数
要生成的抽样路径(试验)的数目,指定为正整数。
例子:NumPaths = 1000
生成1000
软件从样本路径中得到置信边界。
数据类型:双
SampleSize
- - - - - -蒙特卡罗模拟或自举每个样本路径的观测数
正整数
每个样本路径的蒙特卡罗模拟或引导的观测数,指定为正整数。
例子:如果你指定SampleSize = 100
并且不要指定E
名称-值参数,软件估计置信范围从NumPaths
长度随机路径One hundred.
从Mdl
.
例子:如果你指定SampleSize = 100, E = Res
,软件重新采样,进行替换,One hundred.
观察(行)从Res
形成创新的样本路径进行过滤Mdl
.软件形式NumPaths
随机抽样路径,从中得到置信界限。
数据类型:双
Y0
- - - - - -预采样响应数据
数字矩阵
预采样响应数据,为模拟期间的模型估计提供初始值,指定为numpreobs
——- - - - - -numseries
数字矩阵。使用Y0
只适用于以下情况:
numpreobs
是预采样观测数。numseries
是Mdl。NumSeries
,为输入模型的维数。
每一行都是一个预采样观测,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。numpreobs
是指定的预采样响应的数量,它必须是至少Mdl。P
.如果你提供的行数比需要的多,fevd
使用最新的Mdl。P
观察。
numseries
输入VAR模型的维数是多少Mdl。NumSeries
.列必须与中的响应变量相对应Mdl。SeriesNames
.
以下情况决定默认的响应数据,或者是否需要预采样响应数据。
数据类型:双
Presample
- - - - - -Presample数据
表格|时间表
为模型提供初始值的预采样数据Mdl
的表或时间表numprevars
变量和numpreobs
行。使用Presample
只适用于以下情况:
每一行都是一个预采样观测,每一行的测量都是同时进行的。numpreobs
至少是Mdl。P
.如果你提供的行数比需要的多,fevd
使用最新的Mdl。P
观察。
每个变量都是numpreobs
表示一条路径的数字向量。要控制预采样变量选择,请参见可选选项PresampleResponseVariables
名称-值参数。
如果Presample
是一个时间表,以下所有条件必须成立:
Presample
必须表示具有常规datetime时间步长的示例(参见isregular
).样本时间戳的datetime向量
Presample。时间
必须是升序或降序。
如果Presample
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。
Presample.Properties.RowsNames
一定是空的。
以下情况决定默认的响应数据,或者是否需要预采样响应数据。
PresampleResponseVariables
- - - - - -可供选择的变量Presample
用于预采样响应数据
字符串向量|特征向量的单元向量|整数向量|逻辑向量
可供选择的变量Presample
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Presample.Properties.VariableNames
一个长度
numseries
可供选择的变量的唯一索引(整数)向量Presample.Properties.VariableNames
一个长度
numprevars
逻辑向量,其中PresampleResponseVariables (
选择变量j
) =真
从j
Presample.Properties.VariableNames
,总和(PresampleResponseVariables)
是numseries
PresampleResponseVariables
仅在指定时应用Presample
.
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
;fevd
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Presample
匹配Mdl。NumSeries
的所有变量Presample
.如果变量的个数在Presample
超过Mdl。NumSeries
,默认匹配中的变量Presample
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
- - - - - -预测数据
数字矩阵
预测数据xt用于在模拟过程中估计模型回归组件,指定为包含numpreds
列。使用X
只适用于以下情况:
numpreds
是预测变量的数量(大小(Mdl.Beta, 2)
).
每一行对应一个观测值,每一行中的测量值同时发生。最后一行包含最新的观察结果。X
至少要有SampleSize
行。如果你提供的行数比需要的多,fevd
只使用最新的观测结果。fevd
在预采样期间不使用回归组件。
列对应于单独的预测变量。所有预测变量都出现在每个响应方程的回归分量中。
保持模型一致性时fevd
估计置信界限,一个很好的做法是指定预测数据时Mdl
有一个回归组件。如果Mdl
是估计模型,请指定模型估计期间使用的预测器数据(请参阅X
的名称-值参数估计
).
默认情况下,fevd
从置信区间估计中排除回归成分,不管它是否存在Mdl
.
数据类型:双
E
- - - - - -残差级数et从中抽取自举样本
数字矩阵
抽样
- - - - - -时间序列数据
表格|时间表
时间序列数据包含numvars
变量,包括numseries
残差变量et引导或numpreds
预测变量xt对于模型回归组件,指定为表格或时间表。使用抽样
只适用于以下情况:
每个变量都是观测的单一路径fevd
适用于所有人NumPaths
样本路径。如果你指定Presample
必须指定哪些变量是残差变量和预测变量,请参阅ResidualVariables
而且PredictorVariables
名称-值参数。
每一行都是一个观测值,每一行的测量值同时发生。抽样
至少要有SampleSize
行。如果你提供的行数比需要的多,fevd
只使用最新的观测结果。
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。Presample
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。
默认情况下,fevd
通过进行蒙特卡罗模拟来获得置信界限,并且不使用回归分量的模型,不管它是否存在Mdl
.
ResidualVariables
- - - - - -可供选择的变量抽样
作为剩余收入处理et为引导
字符串向量|特征向量的单元向量|整数向量|逻辑向量
可供选择的变量抽样
作为引导的残差处理,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ResidualVariables (
选择变量j
) =真
从j
InSample.Properties.VariableNames
,总和(ResidualVariables)
是numseries
不管,所选残差变量
残差级数是什么j
Mdl。SeriesNames (
.j
)
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,fevd
通过蒙特卡罗模拟得到置信边界。
例子:ResidualVariables =(“GDP_Residuals”“CPI_Residuals”)
例子:ResidualVariables=[true false true false]
或ResidualVariable = 3 [1]
选择第一个和第三个表变量作为扰动变量。
数据类型:双
|逻辑
|字符
|细胞
|字符串
PredictorVariables
- - - - - -可供选择的变量抽样
作为外生预测变量xt
字符串向量|特征向量的单元向量|整数向量|逻辑向量
可供选择的变量抽样
作为外生预测变量xt,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,fevd
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
信心
- - - - - -置信水平
0.95
(默认)|[0,1]中的数值标量
置信界限的置信级别,指定为区间[0,1]中的数字标量。
对于每个周期,随机绘制的置信区间覆盖真实响应100 *信心
%的时间。
默认值为0.95
,表示置信区间表示95%置信区间。
例子:信心= 0.9
指定90%置信区间。
数据类型:双
请注意
南
值Y0
,X
,E
指出缺失的数据。fevd
通过按列表删除从这些参数中删除缺失的数据。每个参数,如果一行至少包含一个南
,然后fevd
删除整个行。按列表删除会减少样本量,会产生不规则的时间序列,并可能导致
E
而且X
不同步。fevd
当任何表或时间表输入包含缺失值时发出错误。
输出参数
资源描述
- FEVD和置信范围
表|时间表
FEVD和置信限,返回为表或时间表用numobs
行。fevd
返回资源描述
只适用于以下情况:
您提供可选的数据输入,如表或时间表。
Mdl
适合于表或时间表中的响应数据的估计模型对象。
的数据类型资源描述
与指定数据的数据类型相同。
资源描述
包含以下变量:
中各系列的FEVDyt.每个FEVD变量
资源描述
是一个numobs
——- - - - - -numseries
数字矩阵,numobs
的值NumObs
而且numseries
的值Mdl。NumSeries
.fevd
命名响应变量的FEVD
在ResponseJ
Mdl。SeriesNames
.例如,如果ResponseJ
_FEVDMdl。系列(
是j
)国内生产总值
,资源描述
包含具有名称的对应FEVD的变量GDP_FEVD
.
响应变量对方差分解的贡献是多少ResponseJ
_FEVD (t
,k
)
可归因于一个标准差的创新冲击变量ResponseJ
在时间k
,因为t
= 1,2,…,t
numobs
,
= 1,2,…,J
numseries
,
= 1,2,…,k
numseries
.当您设置至少一个控制置信范围的名称-值参数时,响应系列的真实FEVD的下限和上限置信范围。每个置信限变量
资源描述
是一个numobs
——- - - - - -numseries
数字矩阵。
而且ResponseJ
_FEVD_LowerBound
响应变量的FEVD的置信区间的下界和上界变量的名称分别是ResponseJ
_FEVD_UpperBoundMdl。SeriesNames (
=J
)
.例如,如果ResponseJ
Mdl。SeriesNames (
是j
)国内生产总值
,资源描述
包含具有名称的置信区间的相应下界和上界的变量GDP_FEVD_LowerBound
而且GDP_FEVD_UpperBound
.(
,ResponseJ
_FEVD_LowerBound (t
,k
)
)为响应变量FEVD的95%置信区间ResponseJ
_FEVD_UpperBound (t
,k
)
可归因于一个标准差的创新冲击变量ResponseJ
在时间k
,因为t
= 1,2,…,t
numobs
,
= 1,2,…,J
numseries
,
= 1,2,…,k
numseries
.
如果资源描述
是时刻表,排顺序的吗资源描述
的行顺序匹配抽样
,当您指定它时。如果您没有指定抽样
你指定Presample
的行顺序资源描述
和行顺序一样吗Presample
.
更多关于
预测误差方差分解
的预测误差方差分解(FEVD)在一个多变量动态系统中显示了冲击对每个创新在影响系统中所有变量的预测误差方差方面的相对重要性。
考虑一个numseries
- dVAR (p)模型对于多变量响应变量yt.在滞后算子表示法中,的无限滞后MA表示法yt是:
的FEVD的一般形式ykt(变量k)米未来时期,可归因于一个标准差的创新冲击yjt,是
ej选择向量是长度向量吗
numseries
包含元素1的j其他地方是0。对于正交fevd, 在哪里P为Σ的Cholesky因式分解中的下三角因子。
对于广义的feevd, 在哪里σj是创新的标准差吗j.
分子是创新冲击对变量的贡献j的预测误差方差米-步进预测变量k.分母是均方误差(MSE)米-步进预测变量k[3].
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。
算法
如果
方法
是“使正交化”
,然后fevd
利用模型协方差矩阵的Cholesky因子分解对创新冲击进行正交分析Mdl。Covariance
.正交化创新冲击的协方差为单位矩阵,各变量的FEVD之和为1(即任意一行的和)分解
或与FEVD变量相关联的行资源描述
是一个)。因此,正交FEVD代表了系统中各种冲击所导致的预测误差方差的比例。然而,正交FEVD通常取决于变量的顺序。如果
方法
是“广义”
,则得到的FEVD对变量的顺序是不变的,并且不是基于正交变换。同样,只有当特定变量的FEVD和为1时Mdl。Covariance
是对角线[4].因此,广义FEVD代表了模型中响应变量对方程型冲击预测误差方差的贡献。如果
Mdl。Covariance
为对角矩阵,则得到的广义fevd与正交fevd完全相同。否则,只有当第一个变量为时,所得到的广义和正交fevd是相同的Mdl。SeriesNames
冲击所有变量(例如,所有其他都相同,两种方法产生相同的值分解:1:)
).预测器数据
X
或抽样
表示外生多元时间序列的单路径。如果你指定X
或抽样
这个模型Mdl
有一个回归组件(Mdl。β
不是空数组),fevd
将相同的外生数据应用于用于置信区间估计的所有路径。fevd
进行模拟来估计置信边界较低的
而且上
或相关的变量资源描述
.如果你没有指定剩余
E
或使用抽样
,fevd
通过以下步骤进行蒙特卡罗模拟:否则,
fevd
通过以下过程执行非参数引导:用替换重新采样,
SampleSize
残差的E
或抽样
.执行此步骤NumPaths
获得时间NumPaths
路径。将自举残差的每条路径居中。
过滤每个路径的居中,自举残差通过
Mdl
获得NumPaths
长度的引导响应路径SampleSize
.完成蒙特卡罗模拟的步骤2到步骤4,但是将模拟响应路径替换为引导响应路径。
参考文献
[1]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]Lutkepohl, H。脉冲响应函数的渐近分布和向量自回归模型的预测误差方差分解。经济学与统计学评论.卷72,1990,第116-125页。
[3]Lutkepohl,赫尔穆特。多重时间序列分析新导论.纽约州纽约:斯普林格出版社,2007年。
[4]佩萨兰,H. H.和Y. Shin。线性多元模型的广义脉冲响应分析经济上的字母。第58卷,1998,第17-29页。
版本历史
在R2019a中引入
Abrir比如
Tiene una versión modificada de este ejemplo。¿Desea abrir este ejemplo con sus modificaciones?
MATLAB突击队
Ha hecho clic en unenlace que对应一个este commando de MATLAB:
弹射突击队introduciéndolo en la ventana de commandos de MATLAB。Los navegadores web no permission comandos de MATLAB。
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。