主要内容

fevd

生成向量自回归(VAR)模型预测误差方差分解(FEVD)

折叠所有页面

语法

分解= fevd(Mdl)
分解= fevd(Mdl,Name=Value)
[分解，下，上]= fevd(___）
Tbl = fevd(___）

描述

的fevd函数返回预测误差方差分解(FEVD)的变量VAR (p)模型可归因于冲击对系统中每个响应变量的影响。完全指定的varm模型对象描述了VAR模型。

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

分解= fevd (Mdl）返回一个数值数组，其中包含组成VAR(p)模型Mdl，以完全指定为特征的varm模型对象。fevd在时间0时冲击变量，并返回时间1到20的FEVD。

如果Mdl是一个估计的模型(由估计)适合输入响应数据的数值矩阵，则适用此语法。

例子

分解= fevd (Mdl，名称=值）使用一个或多个名称-值参数指定的其他选项。fevd当所有可选输入数据都是数值数组时，返回数值数组。例如,fevd (NumObs = 10, Mdl方法=“广义”)指定估计周期1到10的广义FEVD。

如果Mdl是适合输入响应数据的数值矩阵的估计模型，则适用此语法。

例子

［分解，较低的，上= fevd(___）返回lower的数值数组较低的和上上对于FEVD中的每个周期和变量，使用前面语法中的任何输入参数组合，真实FEVD上的置信区间的95%置信区间。默认情况下,fevd通过蒙特卡罗模拟估计置信边界。

如果Mdl是适合输入响应数据的数值矩阵的估计模型，则适用此语法。

如果Mdl是一种习俗varm模型对象(不是由返回的对象估计或经过估算后修改)，fevd能否要求模拟的样本量SampleSize或预先回答Y0．

例子

资源描述= fevd (___）返回表格或时间表资源描述包含fevd和(可选地)对应的95%置信限，组成VAR(p)模型Mdl．对应响应的FEVD是一个变量资源描述包含一个矩阵，其列对应于系统中变量在0时刻的冲击。

如果您至少设置了一个控制FEVD的95%置信范围的名称-值参数，资源描述还包含每个下界和上界的变量。例如,资源描述属性时包含置信范围NumPaths名称-值参数。

如果Mdl是适合输入响应数据的表或时间表的估计模型，则适用此语法。

例子

全部折叠

打开实时脚本

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);

图中包含一个轴对象。标题为“变量1的正交FEVD”的axis对象包含4个类型为line的对象。这些对象分别代表变量1的冲击，变量2的冲击，变量3的冲击，变量4的冲击。

图中包含一个轴对象。标题为“变量2的正交FEVD”的axis对象包含4个类型为line的对象。这些对象分别代表变量1的冲击，变量2的冲击，变量3的冲击，变量4的冲击。

图中包含一个轴对象。变量3的标题为Orthogonalized FEVD的axis对象包含4个类型为line的对象。这些对象分别代表变量1的冲击，变量2的冲击，变量3的冲击，变量4的冲击。

图中包含一个轴对象。标题为“变量4的正交FEVD”的axis对象包含4个类型为line的对象。这些对象分别代表变量1的冲击，变量2的冲击，变量3的冲击，变量4的冲击。

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。

打开实时脚本

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

图中包含一个轴对象。标题为FEVD of IB When Y Is shocks的axes对象包含一个类型为line的对象。

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。

打开实时脚本

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

图中包含一个轴对象。标题为M2 FEVD, Shock to Y的轴对象包含3个类型为line的对象。这些对象代表FEVD, 95%置信区间。

打开实时脚本

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

图中包含一个轴对象。标题为“IB When Y Is shocks”的坐标轴对象包含3个类型为line的对象。这些对象代表FEVD, 95%置信区间。

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。

打开实时脚本

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

图中包含一个轴对象。标题为“IB When Y Is shocks”的坐标轴对象包含3个类型为line的对象。这些对象代表FEVD, 90%置信区间。

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

全部折叠

VAR模型，指定为varm创建的模型对象varm或估计．Mdl必须完全指定。

如果Mdl是一个估计的模型(由估计)，则必须使用与输入响应数据相同的数据类型提供模型适合的任何可选数据。

如果Mdl是一种习俗varm模型对象(不是由返回的对象估计或经过估算后修改)，fevd能否要求模拟的样本量SampleSize或预先回答Y0．

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。

所有fevd的选项

全部折叠

的周期数fevd计算FEVD(预测水平)，指定为正整数。NumObs指定FEVD中包含的观察数(中的行数分解）.

例子:NumObs = 10指定对时间1到10的FEVD的估计。

数据类型:双

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

置信区间估计的选项

全部折叠

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

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。

  • 如果Mdl是估计的varm返回的对象估计并且此后不作修改)，默认值是模型适合的数据的样本量(参见总结）.

  • 否则:

    • 如果fevd通过进行蒙特卡罗模拟来估计置信界限，您必须指定SampleSize．

    • 如果fevd通过自举残差估计置信界限，默认为指定残差系列的长度(尺寸(Res, 1),在那里Res残差的数量是多少E或抽样）.

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

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:

  • 您提供其他可选的数据输入作为数值矩阵。

  • Mdl是估计的varm返回的对象估计并且此后未修改)适合响应数据的数值矩阵。

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。

  • 如果Mdl是一个未修改的估计模型，fevd集Y0默认情况下用于估计的预示例响应数据(请参阅Y0的名称-值参数估计）.

  • 如果Mdl是自定义模型和你返回置信界限较低的或上，你必须指定Y0．

数据类型:双

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:

  • 您可以提供其他可选的数据输入，如表或时间表。

  • Mdl是估计的varm返回的对象估计并且以后不作修改)适合于表格或时间表中的响应数据。

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。

  • 如果Mdl是一个未修改的估计模型，fevd集Presample默认情况下用于估计的预示例响应数据(请参阅Presample的名称-值参数估计）.

  • 如果Mdl是自定义模型(例如，您使用点表示法在估计后修改模型)并且您在表或时间表中返回置信边界吗资源描述，你必须指定Presample．

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 (j) =真选择变量j从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 (j）作为一个范例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

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:

  • 您提供其他可选的数据输入作为数值矩阵。

  • Mdl是估计的varm返回的对象估计并且此后未修改)适合响应数据的数值矩阵。

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

从其中提取自举样本的残差系列，指定为numperiods——- - - - - -numseries数字矩阵。fevd假设E不存在序列相关。使用E只适用于以下情况:

  • 您提供其他可选的数据输入作为数值矩阵。

  • Mdl是估计的varm返回的对象估计并且此后未修改)适合响应数据的数值矩阵。

每一列都是与响应序列名相对应的残差序列Mdl。SeriesNames．

每行对应于FEVD中的一个周期和相应的置信边界。

如果Mdl是估计的varm返回的对象估计)，你可以指定E从估计中推断的残差(见E的输出参数估计或推断出）.

默认情况下,fevd通过蒙特卡罗模拟得到置信边界。

数据类型:双

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:

  • 您可以提供其他可选的数据输入，如表或时间表。

  • Mdl是估计的varm返回的对象估计并且以后不作修改)适合于表格或时间表中的响应数据。

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．

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 (j) =真选择变量j从InSample.Properties.VariableNames,总和(ResidualVariables)是numseries

不管，所选残差变量j残差级数是什么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

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 (j) =真选择变量j从InSample.Properties.VariableNames,总和(PredictorVariables)是numpreds

无论如何，选定的预测变量j对应于系数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

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

全部折叠

每个响应变量的FEVD，返回为numobs——- - - - - -numseries——- - - - - -numseries数字数组。numobs的值NumObs．中的响应变量对应于列和页Mdl。SeriesNames．

fevd返回分解只适用于以下情况:

  • 作为数值矩阵提供可选的数据输入。

  • Mdl是适合响应数据的数值矩阵的估计模型。

分解(t，j，k）对变量方差分解的贡献是多少k可归因于一个标准差的创新冲击变量j在时间t,因为t= 1,2,…,numobs，j= 1,2,…,numseries,k= 1,2,…,numseries．

较低的置信限，返回为anumobs——- - - - - -numseries——- - - - - -numseries数字数组。的元素较低的对应的元素分解．

fevd返回较低的只适用于以下情况:

  • 作为数值矩阵提供可选的数据输入。

  • Mdl是适合响应数据的数值矩阵的估计模型。

低(t，j，k）的下界是100 *信心-第th百分位区间对变量方差分解的真实贡献k可归因于一个标准差的创新冲击变量j在时间0。

置信上限，返回为anumobs——- - - - - -numseries——- - - - - -numseries数字数组。的元素上对应的元素分解．

fevd返回上只适用于以下情况:

  • 作为数值矩阵提供可选的数据输入。

  • Mdl是适合响应数据的数值矩阵的估计模型。

上(t，j，k）的上界是100 *信心-第th百分位区间对变量方差分解的真实贡献k可归因于一个标准差的创新冲击变量j在时间0。

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FEVDResponseJ在Mdl。SeriesNamesResponseJ_FEVD．例如，如果Mdl。系列(j）是国内生产总值，资源描述包含具有名称的对应FEVD的变量GDP_FEVD．

    ResponseJ_FEVD (t，k）响应变量对方差分解的贡献是多少ResponseJ可归因于一个标准差的创新冲击变量k在时间t,因为t= 1,2,…,numobs，J= 1,2,…,numseries,k= 1,2,…,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。ResponseJ_FEVD_LowerBound而且ResponseJ_FEVD_UpperBound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Mdl。SeriesNames (J）＝ResponseJ．例如，如果Mdl。SeriesNames (j）是国内生产总值，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），ResponseJ_FEVD_UpperBound (t，k）)为响应变量FEVD的95%置信区间ResponseJ可归因于一个标准差的创新冲击变量k在时间t,因为t= 1,2,…,numobs，J= 1,2,…,numseries,k= 1,2,…,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

全部折叠

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:

y t ＝ Φ − 1 （ l ） （ c + β x t + δ t ） + Φ − 1 （ l ） ε t ＝ Ω （ l ） （ c + β x t + δ t ） + Ω （ l ） ε t ．

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

γ 米 j k ＝ ∑ t ＝ 0 米 − 1 （ e k ” C t e j ） 2 ∑ t ＝ 0 米 − 1 e k ” Ω t Σ Ω t ” e k ．

  • 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， C 米 ＝ Ω 米 P ， 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， C 米 ＝ σ j − 1 Ω 米 Σ ， 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

y t ＝ c + Φ 1 y t − 1 + Φ 2 y t − 2 + .．. + Φ p y t − p + β x t + δ t + ε t ．

  • 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

Φ （ l ） y t ＝ c + β x t + δ t + ε t ，

在哪里 Φ （ l ） ＝ 我 − Φ 1 l − Φ 2 l 2 − .．. − Φ p l p 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:

      1. 模拟NumPaths长度响应路径SampleSize从Mdl．

      2. 适合NumPaths具有相同结构的模型Mdl到模拟的响应路径。如果Mdl包含回归组件，您可以通过提供来指定预测器数据X或使用抽样，fevd符合NumPaths模型模拟响应路径和相同的预测器数据(相同的预测器数据适用于所有路径)。

      3. 估计NumPathsFEVDs来自NumPaths估计模型。

      4. 对于每个时间点t= 0,…NumObs，通过计算1 -来估计置信区间信心而且信心分位数(分别是上、下界)。

    • 否则,fevd通过以下过程执行非参数引导:

      1. 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。

      2. 将自举残差的每条路径居中。

      3. 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．

      4. 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

另请参阅

对象

功能