预测
预测向量纠错(VEC)模型反应
语法
描述
有条件的和无条件的预估数字数组
返回一个数值数组,其中包含路径的最小均方误差(MMSE)多变量响应预测Y
=预测(Mdl
,numperiods
,Y0
)Y
在一个长度numperiods
预测地平线,使用VEC(指定的完全p- 1)模型Mdl
。预测反应代表的延续presample数值数组中的数据Y0
。
无条件的预估表和时间表
返回表或时间表Tbl2
=预测(Mdl
,numperiods
,Tbl1
)Tbl2
包含长度numperiods
路径多元MMSE响应变量的预测,从计算结果无条件从VEC模型预测Mdl
。预测
使用presample数据的表或时间表Tbl1
初始化反应级数。(因为R2022b)
预测
选择的变量Mdl.SeriesNames
预测,或者选择所有变量Tbl1
。选择不同的响应变量Tbl1
预测,使用PresampleResponseVariables
名称-值参数。
使用附加选项指定一个或多个名称参数。例如,Tbl2
=预测(Mdl
,numperiods
,Tbl1
,名称=值
)预测(Mdl 10 Tbl1 PresampleResponseVariables = (“GDP”“CPI”))
返回一个响应变量的时间表,其中包含他们无条件的预测从VEC模型Mdl
初始化的数据国内生产总值
和消费者价格指数
变量presample数据的时间表Tbl1
。(因为R2022b)
条件预估表和时间表
返回表或时间表Tbl2
=预测(Mdl
,numperiods
,Tbl1
抽样=抽样
ReponseVariables =ResponseVariables
)Tbl2
包含长度numperiods
路径多元MMSE响应变量的预测和相应的预测家中小企业,从计算结果条件从VEC模型预测Mdl
。预测
使用presample数据的表或时间表Tbl1
初始化反应级数。抽样
是一个表或地平线预测未来数据的时间表吗预测
使用条件预测和计算ResponseVariables
指定变量的响应抽样
。(因为R2022b)
使用附加选项指定一个或多个名称参数。(因为R2022b)Tbl2
=预测(Mdl
,numperiods
,Tbl1
抽样=抽样
ReponseVariables =ResponseVariables
,名称=值
)
例子
返回矩阵VEC模型的预测
VEC模型考虑以下七个宏观经济系列。然后,适合模型的数据和预测未来12个季度的反应。提供所有必需的数据在数字矩阵。
国内生产总值(GDP)
国内生产总值物价折算指数
支付员工薪酬
非农商业部门的所有人
有效联邦基金利率
个人消费支出
国内私人投资总额
假设协整排4和一个短期的术语是适当的,也就是说,考虑一个VEC(1)模型。
加载Data_USEconVECModel
数据集。
负载<年代pan style="color:#A020F0">Data_USEconVECModel
在数据集和变量的更多信息,进入描述
在命令行中。
确定是否需要预处理的数据绘制系列在不同的情节。
图tiledlayout (2, 2) nexttile情节(FRED.Time FRED.GDP)标题(<年代pan style="color:#A020F0">“国内生产总值”)ylabel (<年代pan style="color:#A020F0">“指数”)包含(<年代pan style="color:#A020F0">“日期”)nexttile情节(FRED.Time FRED.GDPDEF)标题(<年代pan style="color:#A020F0">“GDP平减指数”)ylabel (<年代pan style="color:#A020F0">“指数”)包含(<年代pan style="color:#A020F0">“日期”)nexttile情节(FRED.Time FRED.COE)标题(<年代pan style="color:#A020F0">“员工的薪酬支付”)ylabel (<年代pan style="color:#A020F0">“数十亿美元”)包含(<年代pan style="color:#A020F0">“日期”)nexttile情节(FRED.Time FRED.HOANBS)标题(<年代pan style="color:#A020F0">“非农商业部门小时”)ylabel (<年代pan style="color:#A020F0">“指数”)包含(<年代pan style="color:#A020F0">“日期”)
图tiledlayout (2, 2) nexttile情节(FRED.Time FRED.FEDFUNDS)标题(<年代pan style="color:#A020F0">“联邦基金利率”)ylabel (<年代pan style="color:#A020F0">“百分比”)包含(<年代pan style="color:#A020F0">“日期”)nexttile情节(FRED.Time FRED.PCEC)标题(<年代pan style="color:#A020F0">“消费支出”)ylabel (<年代pan style="color:#A020F0">“数十亿美元”)包含(<年代pan style="color:#A020F0">“日期”)nexttile情节(FRED.Time FRED.GPDI)标题(<年代pan style="color:#A020F0">“私人国内总投资”)ylabel (<年代pan style="color:#A020F0">“数十亿美元”)包含(<年代pan style="color:#A020F0">“日期”)
稳定所有系列,除了联邦基金利率,运用对数变换。规模的系列100年所有系列都在相同的规模。
弗雷德。国内生产总值=100*log(FRED.GDP); FRED.GDPDEF = 100*log(FRED.GDPDEF); FRED.COE = 100*log(FRED.COE); FRED.HOANBS = 100*log(FRED.HOANBS); FRED.PCEC = 100*log(FRED.PCEC); FRED.GPDI = 100*log(FRED.GPDI);
VEC(1)创建一个模型使用简写语法。指定变量名。
Mdl =结果(7 4 1);Mdl.SeriesNames=弗雷德。Properties.VariableNames;
Mdl
是一个结果
模型对象。所有属性包含南
值对应于参数估计给定数据。
估计模型使用整个数据集和默认选项。
FRED.Variables EstMdl =估计(Mdl)
EstMdl =结果属性:描述:“7-Dimensional排名VEC(1) = 4模式”SeriesNames:“GDP”“GDPDEF”“卓越中心”……和4更NumSeries: 7等级:4 P: 2常数:[14.1329 8.77841 -7.20359……和4)的调整:[7×4矩阵]协整:[7×4矩阵)影响:[7×7矩阵]CointegrationConstant: [-28.6082 109.555 -77.0912……和1]“CointegrationTrend:(4×1零向量)短期的:{7×7矩阵}在滞后[1]的趋势:[7×1的向量0]β:协方差矩阵[7×0]:[7×7矩阵)
EstMdl
是一个估计结果
模型对象。它是完全因为所有参数已知值指定。默认情况下,估计
强加的约束H1 VEC模型形式通过移除Johansen协整的趋势从模型和线性趋势。参数被排除在估计相当于实施等式约束为零。
从估计模型预测反应在三年的地平线。整个数据集指定为presample观察。
numperiods = 12;Y0 = FRED.Variables;Y =预测(EstMdl numperiods, Y0);
Y
是一个12-by-7矩阵的预测反应。行对应于预测地平线,和列对应的变量EstMdl.SeriesNames
。
情节预测反应和过去50真实的反应。
跳频= dateshift (FRED.Time(结束),<年代pan style="color:#A020F0">“结束”,<年代pan style="color:#A020F0">“季”1:12);图;tiledlayout (2, 2) nexttile h1 =情节(FRED.Time ((end-49):结束),FRED.GDP ((end-49):结束);持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (: 1));标题(<年代pan style="color:#A020F0">“国内生产总值”);ylabel (<年代pan style="color:#A020F0">”指数(了)”);包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([FRED.Time(结束)跳频([结束结束])FRED.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从nexttile h1 =情节(FRED.Time ((end-49):结束),FRED.GDPDEF ((end-49):结束);持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (:, 2));标题(<年代pan style="color:#A020F0">“GDP平减指数”);ylabel (<年代pan style="color:#A020F0">”指数(了)”);包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([FRED.Time(结束)跳频([结束结束])FRED.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从nexttile h1 =情节(FRED.Time ((end-49):结束),FRED.COE ((end-49):结束);持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (:, 3));标题(<年代pan style="color:#A020F0">“员工的薪酬支付”);ylabel (<年代pan style="color:#A020F0">“数十亿美元(了)”);包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([FRED.Time(结束)跳频([结束结束])FRED.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从nexttile h1 =情节(FRED.Time ((end-49):结束),FRED.HOANBS ((end-49):结束);持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (:, 4));标题(<年代pan style="color:#A020F0">“非农商业部门小时”);ylabel (<年代pan style="color:#A020F0">”指数(了)”);包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([FRED.Time(结束)跳频([结束结束])FRED.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从
图tiledlayout (2, 2) nexttile h1 =情节(FRED.Time ((end-49):结束),FRED.FEDFUNDS ((end-49):结束);持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (:, 5));标题(<年代pan style="color:#A020F0">“联邦基金利率”);ylabel (<年代pan style="color:#A020F0">“百分比”);包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([FRED.Time(结束)跳频([结束结束])FRED.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从nexttile h1 =情节(FRED.Time ((end-49):结束),FRED.PCEC ((end-49):结束);持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (:, 6));标题(<年代pan style="color:#A020F0">“消费支出”);ylabel (<年代pan style="color:#A020F0">“数十亿美元(了)”);包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([FRED.Time(结束)跳频([结束结束])FRED.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从nexttile h1 =情节(FRED.Time ((end-49):结束),FRED.GPDI ((end-49):结束);持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (:, 7));标题(<年代pan style="color:#A020F0">“私人国内总投资”);ylabel (<年代pan style="color:#A020F0">“数十亿美元(了)”);包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([FRED.Time(结束)跳频([结束结束])FRED.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从
数字矩阵的计算条件预测未来的响应数据
这个例子是基于返回矩阵VEC模型的预测。VEC模型预测的所有响应变量为三年预测地平线以外的采样数据,考虑到有效的联邦基金利率FEDFUNDS
未来在每个季度是0.5%。
加载Data_USEconVECModel
数据集。
负载<年代pan style="color:#A020F0">Data_USEconVECModel
稳定所有系列,除了联邦基金利率,运用对数变换。规模的系列100年所有系列都在相同的规模。
弗雷德。国内生产总值=100*log(FRED.GDP); FRED.GDPDEF = 100*log(FRED.GDPDEF); FRED.COE = 100*log(FRED.COE); FRED.HOANBS = 100*log(FRED.HOANBS); FRED.PCEC = 100*log(FRED.PCEC); FRED.GPDI = 100*log(FRED.GPDI);
VEC(1)创建一个模型使用简写语法。指定变量名。
Mdl =结果(7 4 1);Mdl.SeriesNames=弗雷德。Properties.VariableNames;
估计模型使用整个数据集和默认选项。
FRED.Variables EstMdl =估计(Mdl);
经济学家假设假设的有效联邦基金利率将在未来12个季度为0.5%。
创建一个矩阵具有以下素质:
矩阵有12行代表时期预测地平线。
与变量相关联的所有列
弗雷德
,除了FEDFUNDS
,是由南
值。相对应的列变量
FEDFUNDS
由0.5。
numperiods = 12;CondF =南(numperiods EstMdl.NumSeries);idxFF (EstMdl.SeriesNames) = = =字符串<年代pan style="color:#A020F0">“FEDFUNDS”;CondF (:, idxFF) = 0.5 * 1 (numperiods 1);
CondF
是一个12-by-7矩阵的南
值,除了相关的列FEDFUNDS
组成的,这是一个向量的值0.5。预测的时间跨度中每一个时期,预测
填补了南
矩阵的元素与预测,得到的值FEDFUNDS
。
预测所有变量的假设通过提供条件的数据CondF
。供应估计样本作为presample初始化模型。
FRED.Variables, Y =预测(EstMdl numperiods YF = CondF);
Y
是一个12-by-7矩阵的预测和相对应的列的固定值吗FEDFUNDS
。
阴谋的最后几期的预测估计样本。
跳频= dateshift (FRED.Time(结束),<年代pan style="color:#A020F0">“结束”,<年代pan style="color:#A020F0">“季”1:numperiods);idx =找到(~ idxFF);图;ht = tiledlayout (2, 2);<年代pan style="color:#0000FF">为j = idx (1:4) nexttile h1 =情节(FRED.Time ((end-49):结束),弗雷德{(end-49):最终,j});持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (:, j));标题(EstMdl.SeriesNames (j));包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([FRED.Time(结束)跳频([结束结束])FRED.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从结束标题(ht,<年代pan style="color:#A020F0">“与FEDFUNDS = 0.5预测”)
图;ht = tiledlayout (2, 1);<年代pan style="color:#0000FF">为j = idx (6) nexttile h1 =情节(FRED.Time ((end-49):结束),弗雷德{(end-49):最终,j});持有<年代pan style="color:#A020F0">在h2 =情节(fh, Y (:, j));标题(EstMdl.SeriesNames (j));包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([FRED.Time(结束)跳频([结束结束])FRED.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从结束标题(ht,<年代pan style="color:#A020F0">“与FEDFUNDS = 0.5预测”)
估计预测区间
分析预测精度使用预测间隔在三年的地平线。这个例子之前,从返回矩阵VEC模型的预测。
加载Data_USEconVECModel
数据集和数据进行预处理。
负载<年代pan style="color:#A020F0">Data_USEconVECModel弗雷德。国内生产总值=100*log(FRED.GDP); FRED.GDPDEF = 100*log(FRED.GDPDEF); FRED.COE = 100*log(FRED.COE); FRED.HOANBS = 100*log(FRED.HOANBS); FRED.PCEC = 100*log(FRED.PCEC); FRED.GPDI = 100*log(FRED.GPDI);
VEC(1)估计模型。保留最近三年的数据来评估预测的准确性。假定适当的协整等级是4,H1约翰森形式模型是适合的。
bfh = FRED.Time(结束)年(3);estIdx =弗雷德。时间< bfh;Mdl =结果(7 4 1);Mdl.SeriesNames=弗雷德。Properties.VariableNames; EstMdl = estimate(Mdl,FRED{estIdx,:});
从估计模型预测反应在三年的地平线。作为一个presample指定所有样本观察。返回的MSE的预测。
numperiods = 12;弗雷德Y0 = {estIdx,:};[Y, YMSE] =预测(EstMdl numperiods, Y0);
Y
是一个12-by-7矩阵的预测反应。YMSE
是一个12-by-1细胞向量7-by-7矩阵对应于家中小企业。
从矩阵中提取主对角线元素的每一个细胞YMSE
。应用结果的平方根获得标准错误。
extractMSE = @ (x)诊断接头(x) ';MSE = cellfun (extractMSE YMSE UniformOutput = false);SE =√cell2mat (MSE));
估计大约95%的预估区间为每个反应级数。
YFI = 0 (numperiods Mdl.NumSeries 2);YFI (:: 1) = Y - 2 * SE;YFI (:: 2) = Y + 2 * SE;
情节预测反应和过去的40真实的反应。
图ht = tiledlayout (2, 2);<年代pan style="color:#0000FF">为j = 1:4 nexttile h1 =情节(FRED.Time ((end-39):结束),弗雷德{(end-39):最终,j});持有<年代pan style="color:#A020F0">在h2 =情节(FRED.Time (~ estIdx), Y (:, j));h3 =情节(FRED.Time (~ estIdx) YFI (j,: 1),<年代pan style="color:#A020F0">“k——”);情节(FRED.Time (~ estIdx) YFI (: j 2),<年代pan style="color:#A020F0">“k——”);标题(EstMdl.SeriesNames (j));包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([bfh h。XLim([2 2]) bfh],h.YLim([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2 h3),<年代pan style="color:#A020F0">“观察”,<年代pan style="color:#A020F0">“预测”,<年代pan style="color:#A020F0">“预测区间”,<年代pan style="color:#0000FF">…位置=<年代pan style="color:#A020F0">“最佳”);持有<年代pan style="color:#A020F0">从结束标题(ht,<年代pan style="color:#A020F0">“预测和95%预测间隔”)
图ht = tiledlayout (2, 2);<年代pan style="color:#0000FF">为j = 7 nexttile h1 =情节(FRED.Time ((end-39):结束),弗雷德{(end-39):最终,j});持有<年代pan style="color:#A020F0">在h2 =情节(FRED.Time (~ estIdx), Y (:, j));h3 =情节(FRED.Time (~ estIdx) YFI (j,: 1),<年代pan style="color:#A020F0">“k——”);情节(FRED.Time (~ estIdx) YFI (: j 2),<年代pan style="color:#A020F0">“k——”);标题(EstMdl.SeriesNames (j));包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([bfh h。XLim([2 2]) bfh],h.YLim([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2 h3),<年代pan style="color:#A020F0">“观察”,<年代pan style="color:#A020F0">“预测”,<年代pan style="color:#A020F0">“预测区间”,<年代pan style="color:#0000FF">…位置=<年代pan style="color:#A020F0">“最佳”);持有<年代pan style="color:#A020F0">从结束标题(ht,<年代pan style="color:#A020F0">“预测和95%预测间隔”)
返回时间预测和预报家中小企业的数组
自从R2022b
VEC模型考虑以下七个宏观经济系列,然后适应模型响应数据的时间表。这个例子是基于返回矩阵VEC模型的预测。
加载和数据预处理
加载Data_USEconVECModel
数据集。
负载<年代pan style="color:#A020F0">Data_USEconVECModel德勤=弗雷德;德勤。国内生产总值=100*log(DTT.GDP); DTT.GDPDEF = 100*log(DTT.GDPDEF); DTT.COE = 100*log(DTT.COE); DTT.HOANBS = 100*log(DTT.HOANBS); DTT.PCEC = 100*log(DTT.PCEC); DTT.GPDI = 100*log(DTT.GPDI);
准备的时间表估计
当你打算直接提供一个时间表估计
,你必须确保它有以下特点:
所有选定的响应变量数值,不包含任何缺失的值。
的时间戳
时间
变量是普通,他们是升序或降序。
从表中删除所有缺失值。
德勤= rmmissing(德勤);T =身高(德勤)
T = 240
德勤
不包含任何缺失值。
确定采样时间戳有规律的频率和排序。
areTimestampsRegular = isregular(德勤,<年代pan style="color:#A020F0">“季度”)
areTimestampsRegular =<年代pan class="emphasis">逻辑0
areTimestampsSorted = issorted (DTT.Time)
areTimestampsSorted =<年代pan class="emphasis">逻辑1
areTimestampsRegular = 0
表明,德勤的时间戳是不规则的。areTimestampsSorted = 1
表示时间戳排序。宏观经济系列在这个例子中时间戳在本月底。本系列质量引发一个不定期测量。
解决不规则的时间将所有日期的第一天。
dt = DTT.Time;dt = dateshift (dt,<年代pan style="color:#A020F0">“开始”,<年代pan style="color:#A020F0">“季”);德勤。时间=dt;
德勤
定期对时间。
创建模型估计的模板
VEC(1)创建一个模型通过使用简写语法。指定变量名。
Mdl =结果(7 4 1);Mdl.SeriesNames=德勤。Properties.VariableNames;
Mdl
是一个结果
模型对象。所有属性包含南
值对应于参数估计给定数据。
合适的模型数据
估计模型提供数据的时间表德勤
。默认情况下,因为变量的数量Mdl.SeriesNames
变量的数量吗德勤
,估计
符合模型中的所有变量德勤
。
德勤EstMdl =估计(Mdl);
EstMdl
是一个估计结果
模型对象。
反应和预测计算预测家中小企业
从估计模型预测反应在三年的地平线。指定整个数据集德勤
作为一个presample观察。
numperiods = 12;(台、YMSE) =预测(EstMdl numperiods,德勤);大小(台)
ans =<年代pan class="emphasis">1×212日7
尾(德勤)
时间GDP GDPDEF COE HOANBS FEDFUNDS PCEC GPDI ___________交交________交01 - 1月- 2015 978.6 469.42 915.93 470.1 0.11 940.09 802.11 01 - 4月- 2015 979.8 469.97 917.34 470.57 0.13 941.25 802.29 1 - 7月- 2015 980.6 470.28 918.4 470.52 0.14 942.2 803.01 01 - 10月01 - 2015 981.04 470.51 919.95 471.33 0.24 942.86 802.61 - 1月- 2016 981.37 470.62 919.95 471.67 0.36 943.33 801.86 01 - 4月- 2016 982.28 471.19 921.5 472.09 0.38 944.88 800.22 1 - 7月- 2016年10月983.5 471.54 922.78 472.24 0.4 945.97 801.21 01 - - 2016 984.48 472.06 923.69 472.47 - 0.54 947.12 - 804.13
头(台)
时间GDP_Responses GDPDEF_Responses COE_Responses HOANBS_Responses FEDFUNDS_Responses PCEC_Responses GPDI_Responses ___________ _________________ ___________ _________________, ___________是_____________ _____________ * * * 01 - 1月- 2017 985.7 472.53 924.74 472.87 0.3725 948.18 806.74 01 - 4月- 2017 986.82 472.93 925.75 473.21 0.33795 949.24 808.66 1 - 7月- 2017年10月987.92 473.31 926.78 473.57 0.30002 950.29 810.45 01 - 01 - 2017 988.99 473.67 927.82 473.94 0.27518 951.35 812.12 - 1月- 2018 990.07 474.02 928.88 474.33 0.263 952.42 813.74 01 - 4月- 2018 991.14 474.37 929.95 474.74 0.26045 953.49 815.32 1 - 7月- 2018 992.22 474.71 931.04 475.15 0.26472 954.56 816.86 1 - 10月- 2018 993.29 475.05 932.14 475.56 0.27283 955.64 818.35
YMSE
YMSE =<年代pan class="emphasis">12×1单元阵列{7 x7双}{7 x7双}{7 x7双}{7 x7双}{7 x7双}{7 x7双}{7 x7双}{7 x7双}{7 x7双}{7 x7双}{7 x7双}{7 x7双}
YMSE {6}
ans =<年代pan class="emphasis">7×77.6245 1.6879 7.7978 6.3846 3.5735 5.2342 26.8879 1.6879 1.9506 1.7640 0.4391 1.6560 1.2281 4.4627 7.7978 1.7640 8.8184 6.9137 3.6937 5.4552 28.3538 6.3846 0.4391 6.9137 7.4894 2.9271 4.2783 25.3822 3.5735 1.6560 3.6937 2.9271 4.3945 2.1872 12.6306 5.2342 1.2281 5.4552 4.2783 2.1872 4.1945 18.0819 26.8879 4.4627 28.3538 25.3822 12.6306 18.0819 113.1428
资源描述
是一个12-by-7矩阵的预测反应(表示<年代pan class="emphasis">responseVariable
_Responses
)。的时间戳资源描述
直接从时间戳的德勤
,他们有相同的采样频率。YMSE 12-by-1细胞7-by-7预测均方误差矩阵的数组。例如,预测协方差国内生产总值
和COE
期6预测地平线如果元素的矩阵的(1,3)YMSE {6}
,这是7.7978。
VECX预测模型
自从R2022b
考虑的模型和数据返回矩阵VEC模型的预测。
加载数据
加载Data_USEconVECModel
数据集。
负载<年代pan style="color:#A020F0">Data_USEconVECModel
的Data_Recessions
数据集包含了衰退的开始和结束连续日期。加载这个数据集。日期序列号的矩阵转换为一个datetime数组。
负载<年代pan style="color:#A020F0">Data_Recessionsdtrec = datetime(经济衰退,ConvertFrom =<年代pan style="color:#A020F0">“datenum”);
数据进行预处理
删除的指数趋势系列,然后他们100倍。
德勤=弗雷德;德勤。国内生产总值=100*log(DTT.GDP); DTT.GDPDEF = 100*log(DTT.GDPDEF); DTT.COE = 100*log(DTT.COE); DTT.HOANBS = 100*log(DTT.HOANBS); DTT.PCEC = 100*log(DTT.PCEC); DTT.GPDI = 100*log(DTT.GPDI);
创建一个标识的哑变量中,美国在衰退时期甚至更糟。具体地说,该变量1
如果FRED.Time
发生在经济衰退期间,0
否则。包括的变量弗雷德
数据。
isin = @ (x)(任何(dtrec (: 1) < = x & x < = dtrec (:, 2)));德勤。IsRecession =双(arrayfun(型号、DTT.Time));
准备的时间表估计
从表中删除所有缺失值。
德勤= rmmissing(德勤);
系列常规,改变所有日期的第一天。
dt = DTT.Time;dt = dateshift (dt,<年代pan style="color:#A020F0">“开始”,<年代pan style="color:#A020F0">“季”);德勤。时间=dt;
德勤
定期对时间。
创建模型估计的模板
VEC(1)创建一个模型使用简写语法。假定适当的协整等级是4。你不需要指定的组件创建模型时回归。指定变量名。
Mdl =结果(7 4 1);Mdl.SeriesNames=德勤。Properties.VariableNames(1:end-1);
合适的模型数据
估计模型使用最后三年的数据。指定预测识别是否在经济衰退期间观察测量。
bfh = DTT.Time(结束)年(3);跳频= DTT.Time(德勤。时间> = bfh);EstSample =德勤(德勤。时间< bfh:);:FSample =德勤(跳频);EstMdl =估计(Mdl EstSample PredictorVariables =<年代pan style="color:#A020F0">“IsRecession”);
预测的反应
季度的预测路径响应三年后的未来。
numperiods =元素个数(跳频);台=预测(EstMdl numperiods EstSample,<年代pan style="color:#0000FF">…抽样= FSample PredictorVariables =<年代pan style="color:#A020F0">“IsRecession”);(资源描述(:,endsWith (Tbl.Properties.VariableNames<年代pan style="color:#A020F0">“_Responses”)))
时间GDP_Responses GDPDEF_Responses COE_Responses HOANBS_Responses FEDFUNDS_Responses PCEC_Responses GPDI_Responses ___________ _________________ ___________ _________________, ___________是_____________ _____________ * * * 01 - 1月- 2014 974.87 468.25 911.21 467.31 0.47511 936.25 793.63 01 - 4月- 2014 975.81 468.6 912.19 467.82 0.63807 937.22 794.68 1 - 7月- 2014年10月976.67 468.91 913.19 468.3 0.72011 938.16 795.47 01 - 01 - 2014 977.53 469.21 914.16 468.77 0.76135 939.08 796.33 - 1月- 2015 978.38 469.49 915.12 469.2 0.7691 939.98 797.17 01 - 4月01 - 2015 979.22 469.77 916.06 469.62 0.75747 940.86 798 - 7 - 2015 980.05 470.04 916.99 470.02 0.73223 941.74 798.83 1 - 10月- 2015 980.89 470.31 917.91 470.41 0.69828 942.62 799.67
资源描述
是一个12-by-15矩阵变量FSample
和预测反应(变量命名<年代pan class="emphasis">responseVariable
_Responses
,对于每一个响应<年代pan class="emphasis">responseVariable
在模型中)。
情节预测反应和过去50真实的反应。
图;tiledlayout (2, 2)<年代pan style="color:#0000FF">为j = EstMdl.SeriesNames (1:4) nexttile h1 =情节(DTT.Time ((end-49):结束),德勤{(end-49):最终,j});持有<年代pan style="color:#A020F0">在h2 =情节(Tbl.Time台{:j +<年代pan style="color:#A020F0">“_Responses”});标题(j);包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([DTT.Time(结束)bfh([结束结束])DTT.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从结束
图tiledlayout (2, 2)<年代pan style="color:#0000FF">为j = EstMdl.SeriesNames (7) nexttile h1 =情节(DTT.Time ((end-49):结束),德勤{(end-49):最终,j});持有<年代pan style="color:#A020F0">在h2 =情节(Tbl.Time台{:j +<年代pan style="color:#A020F0">“_Responses”});标题(j);包含(<年代pan style="color:#A020F0">“日期”);甘氨胆酸h =;填充([DTT.Time(结束)bfh([结束结束])DTT.Time(结束)],h。YLim ([1 1 2 2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">…FaceAlpha = 0.1, EdgeColor =<年代pan style="color:#A020F0">“没有”);传奇((h1 h2),<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”位置=<年代pan style="color:#A020F0">“最佳”)举行<年代pan style="color:#A020F0">从结束
返回条件预测的时间表
自从R2022b
这个例子是基于返回时间预测和预报家中小企业的数组。VEC模型预测的所有响应变量为三年预测地平线以外的采样数据,考虑到有效的联邦基金利率FEDFUNDS
未来在每个季度是0.5%。
加载和数据预处理
加载Data_USEconVECModel
数据集。
负载<年代pan style="color:#A020F0">Data_USEconVECModel德勤=弗雷德;德勤。国内生产总值=100*log(DTT.GDP); DTT.GDPDEF = 100*log(DTT.GDPDEF); DTT.COE = 100*log(DTT.COE); DTT.HOANBS = 100*log(DTT.HOANBS); DTT.PCEC = 100*log(DTT.PCEC); DTT.GPDI = 100*log(DTT.GPDI);
准备的时间表估计
从表中删除所有缺失值。
德勤= rmmissing(德勤);
系列常规,改变所有日期的第一天。
dt = DTT.Time;dt = dateshift (dt,<年代pan style="color:#A020F0">“开始”,<年代pan style="color:#A020F0">“季”);德勤。时间=dt;
德勤
定期对时间。
创建模型估计的模板
VEC(1)创建一个模型使用简写语法。指定变量名。
Mdl =结果(7 4 1);Mdl.SeriesNames=德勤。Properties.VariableNames;
Mdl
是一个结果
模型对象。所有属性包含南
值对应于参数估计给定数据。
合适的模型数据
估计模型。通过整个时间表德勤
。
德勤EstMdl =估计(Mdl);
准备条件估计模型的预测
经济学家假设假设的有效联邦基金利率将在未来12个季度为0.5%。
创建一个时间表以下品质:
时间戳是定期对估计样本时间戳和他们从Q1订购2017年到2019年第四季度。
所有变量的德勤,除了
FEDFUNDS
12-by-1向量的南
值。FEDFUNDS
是一个12-by-1向量,其中每个元素是0.5。
numperiods = 12;shdt = DTT.Time(结束)+ calquarters (1: numperiods);shdt DTTCondF =调整时间(德勤,<年代pan style="color:#A020F0">“fillwithmissing”);DTTCondF。FEDFUNDS=0。5*ones(numperiods,1);
DTTCondF
是遵循直接12-by-7时间表,随着时间的推移,来自哪里德勤
,时间表有相同的变量。所有变量在DTTCondF
包含南
值,除了FEDFUNDS
组成的,这是一个向量的值0.5。
执行条件模拟的估计模型
预测所有响应变量,给定的假设,通过提供条件的数据DTTCondF
并指定响应变量名。供应估计样本作为presample初始化模型。
台=预测(EstMdl numperiods、德勤<年代pan style="color:#0000FF">…抽样= DTTCondF ResponseVariables = EstMdl.SeriesNames);大小(台)
ans =<年代pan class="emphasis">1×212日14
idx = endsWith (Tbl.Properties.VariableNames,<年代pan style="color:#A020F0">“_Responses”);头(资源描述(:,idx))
时间GDP_Responses GDPDEF_Responses COE_Responses HOANBS_Responses FEDFUNDS_Responses PCEC_Responses GPDI_Responses ___________ _________________ ___________ _________________, ___________是_____________ _____________ * * * 01 - 1月- 2017 985.73 472.53 924.76 472.89 0.5 948.2 806.83 01 - 4月- 2017 986.89 472.96 925.8 473.27 0.5 949.27 808.96 1 - 7月- 2017年10月988.01 473.36 926.87 473.65 0.5 950.34 810.86 01 - 01 - 2017 989.12 473.74 927.94 474.04 0.5 951.42 812.62 - 1月- 2018 990.22 474.12 929.04 474.45 0.5 952.5 814.28 01 - 4月- 2018 991.31 474.49 930.14 474.85 0.5 953.59 815.85 1 - 7月- 2018 992.39 474.86 931.25 475.25 0.5 954.67 817.35 1 - 10月- 2018 993.47 475.24 932.36 475.65 0.5 955.76 818.79
资源描述
12-by-14矩阵的预测VEC模型的所有响应变量的预测地平线,给吗FEDFUNDS
是0.5%。GDP_Responses
包含预测的GDP转换系列。FEDFUNDS_Responses
0.5是12-by-1向量组成的价值。
返回多个条件预测路径
自从R2022b
这个例子是基于返回时间预测和预报家中小企业的数组。VEC模型预测的所有响应变量为1年期预测地平线以外的采样数据,给出几个假设经济学家做出有效的联邦基金利率FEDFUNDS
在每个季度采样周期后的第二年。
加载Data_USEconVECModel
数据集。
负载<年代pan style="color:#A020F0">Data_USEconVECModel德勤=弗雷德;德勤。国内生产总值=100*log(DTT.GDP); DTT.GDPDEF = 100*log(DTT.GDPDEF); DTT.COE = 100*log(DTT.COE); DTT.HOANBS = 100*log(DTT.HOANBS); DTT.PCEC = 100*log(DTT.PCEC); DTT.GPDI = 100*log(DTT.GPDI);
从表中删除所有缺失值。
德勤= rmmissing(德勤);
系列常规,改变所有日期的第一天。
dt = DTT.Time;dt = dateshift (dt,<年代pan style="color:#A020F0">“开始”,<年代pan style="color:#A020F0">“季”);德勤。时间=dt;
德勤
定期对时间。
VEC(1)创建一个模型使用简写语法。指定变量名。
Mdl =结果(7 4 1);Mdl.SeriesNames=德勤。Properties.VariableNames;
估计模型。通过整个时间表德勤
。
德勤EstMdl =估计(Mdl);
假设有效的联邦基金利率是0.1%,0.25%,0.5%,0.75%,和1%一年预测地平线,生成一个预测路径下的所有响应变量每个场景。
创建一个时间表以下品质:
时间戳是定期对估计样本时间戳和他们从Q1订购2017年到2017年第四季度。
的变量
FEDFUNDS
是一个4 * 5矩阵,每一列是由每一个假设的价值的有效联邦基金利率预测的时间跨度;第一列的元素是0.1,0.25,第二列的元素等等。彼此响应变量是一个4 * 5矩阵
南
充满预测路径值预测
。
numperiods = 4;shdt = DTT.Time(结束)+ calquarters (1: numperiods);shdt DTTCondF =调整时间(德勤,<年代pan style="color:#A020F0">“fillwithmissing”);DTTCondF = varfun (@ (x)南(numperiods 5) DTTCondF);DTTCondF.Properties。VariableNames = EstMdl.SeriesNames;DTTCondF。FEDFUNDS=在es(numperiods,1)*[0.1 0.25 0.5 0.75 1]; DTTCondF
DTTCondF =<年代pan class="emphasis">4×7时间表时间GDP GDPDEF COE HOANBS FEDFUNDS PCEC GPDI ___________ _______________________________ _______________________________ _______________________________ _______________________________ ___________________________________ _______________________________ _______________________________ 01 - 1月- 2017年南南南南南南南南南南南南南南南南南南南南0.1 0.25 0.5 0.75 - 1南南南南南南南南南南01 - 4月- 2017年南南南南南南南南南南南南南南南南南南南南0.1 0.25 0.5 0.75 - 1南南南南南南南南南南01 - 7 - 2017南南南南南南南南南南南南南南南南南南南南0.1 0.25 0.5 0.75 - 1南南南南南南南南南南01 - 10月- 2017年南南南南南南南南南南南南南南南南南南南南0.1 0.25 0.5 0.75 - 1南南南南南南南南南南
DTTCondF
是遵循直接4-by-7时间表,随着时间的推移,来自哪里德勤
,时间表有相同的变量。每个变量在DTTCondF
包含一个4 * 5矩阵南
值,除了FEDFUNDS
,这是一个矩阵的每一列包含一个不同的场景条件的预测。
预测所有响应变量,给定的假设,通过提供条件的数据DTTCondF
并指定响应变量名。供应估计样本作为presample初始化模型。回归预测均方误差矩阵。
(台、YMSE) =预测(EstMdl numperiods,德勤,<年代pan style="color:#0000FF">…抽样= DTTCondF ResponseVariables = EstMdl.SeriesNames);大小(台)
ans =<年代pan class="emphasis">1×24 14
idx = endsWith (Tbl.Properties.VariableNames,<年代pan style="color:#A020F0">“_Responses”);头(资源描述(:,idx))
时间GDP_Responses GDPDEF_Responses COE_Responses HOANBS_Responses FEDFUNDS_Responses PCEC_Responses GPDI_Responses ___________ ______________________________________________ ______________________________________________ ______________________________________________ ______________________________________________ ___________________________________ ______________________________________________ ______________________________________________ 01 - 1月- 2017 985.65 985.68 985.73 985.77 985.82 472.51 472.52 472.53 472.54 472.55 924.7 924.72 924.76 924.79 924.82 472.83 472.85 472.89 472.94 472.98 0.1 0.25 0.5 0.75 1 948.14 948.16 948.2 948.23 948.27 806.54 806.65 806.83 807.01 807.2 1 - 4月- 2017 986.73 986.79 986.89 986.98 987.08 472.9 472.92 472.96 472.99 473.03 925.67 925.72 925.8 925.88 925.97 473.13 473.18 473.27 473.35 473.44 0.1 0.25 0.5 0.75 1 949.2 949.23 949.27 949.31 949.36 808.17 808.47 808.96 809.45 809.94 1 - 7月- 2017 987.83 987.9 988.01 988.12 988.24 473.26 473.29 473.36 473.42 473.48 926.69 926.76 926.87 926.97 927.08 473.5 473.55 473.65 473.74 473.84 0.1 0.25 0.5 0.75 1 950.26 950.29 950.34 950.4 950.45 810.06 810.36 810.86 811.36 811.86 01 - 989年10月- 2017 988.93 989.12 989.24 989.37 473.6 473.65 473.74 473.83 473.92 927.74 927.82 927.94 928.07 928.2 473.9 473.96 474.04 474.13 474.22 0.1 0.25 0.5 0.75 1 951.33 951.36 951.42 951.48 951.54 811.86 812.15 812.62 813.1 813.58
YMSE
YMSE =<年代pan class="emphasis">4×1单元阵列{7 x7双}{7 x7双}{7 x7双}{7 x7双}
YMSE {4}
ans =<年代pan class="emphasis">7×72.9103 0.2459 2.6926 2.2954 1.9785 10.5522 0.2459 0.6435 0.2598 -0.2005 0 0 0.2656 0.1772 2.6926 0.2598 3.1251 2.3680 1.9150 10.3987 2.2954 -0.2005 2.3680 - 3.0306 1.5138 - 10.0253 0 0 0 0 0 0 0 0 1.9785 0.2656 1.9150 1.5138 1.7880 6.7155 10.5522 6.7155 - 50.7359 0.1772 10.3987 10.0253 0
资源描述
4-by-14矩阵的预测VEC模型的所有响应变量的预测地平线,给每一个假设FEDFUNDS
。GDP_Responses
包含5的矩阵转换后的GDP的预测路径系列5矩阵的预测路径。每个路径使用相应的假设的价值FEDFUNDS_Responses
。
YMSE
4-by-1细胞7-by-7矢量预测均方误差矩阵中每一个时期预测地平线。均方误差矩阵应用于每个预测路径,每个矩阵的所有元素对应于调节变量都是0。
输入参数
numperiods
- - - - - -<年代pan itemprop="purpose">预测的时间跨度
正整数
预测地平线,或时间点在预测期的数量,指定为一个正整数。
数据类型:双
Y0
- - - - - -<年代pan itemprop="purpose">Presample响应数据
数字矩阵|<年代pan itemprop="inputvalue">数字数组
Presample响应数据预测,提供初始值指定为一个numpreobs
——- - - - - -numseries
数字矩阵或numpreobs
——- - - - - -numseries
——- - - - - -numprepaths
数字数组。使用Y0
只有当你提供可选的数据输入数字数组。
numpreobs
是presample观测的数量。numseries
反应级数的数量(Mdl.NumSeries
)。numprepaths
presample反应路径的数量。
每一行是一个presample观察和测量每一行,在所有页面,同时发生。最后一行包含最新presample观察。Y0
必须至少有Mdl.P
行。如果你提供更多不必要的行,预测
使用了最新的Mdl.P
观察。
每一列对应的响应系列名称Mdl.SeriesNames
。
页对应独立,独立的路径。
如果你计算无条件的预测(即你不指定
YF
名称-值参数),预测
初始化每个预测路径使用相应的页面(页面)Y0
。因此,输出参数Y
有numpaths
=numprepaths
页面。如果你通过指定未来响应数据计算条件的预测
YF
:预测
采取这些行动之一:如果
Y0
是一个矩阵,预测
初始化每个响应路径(页面)YF
使用相应的presample反应Y0
。因此,numpaths
路径的数量吗YF
在输出参数,所有路径Y
源于共同的初始条件。如果
YF
是一个矩阵,预测
生成numprepaths
预测路径,每个presample反应路径的初始化Y0
,但未来响应数据,预测的条件,在所有路径是一样的。因此,numprepaths
输出参数的路径数量吗Y
,所有可能路径从不同的初始条件。否则,
numpaths
之间的最小值是numprepaths
和页面的数量YF
,预测
适用于Y0 (:,:
初始化预测路径j
)
,因为j
= 1,…,j
numpaths
。
数据类型:双
Tbl1
- - - - - -<年代pan itemprop="purpose">Presample数据
表|<年代pan itemprop="inputvalue">时间表
自从R2022b
Presample响应数据预测,提供初始值指定为一个表或时间表numprevars
变量和numpreobs
行。预测
返回预测的响应变量输出表中或时间表Tbl2
,这是符合Tbl1
。
每一行是一个presample观察和测量每一行,在所有路径,同时发生。numpreobs
必须至少Mdl.P
。如果你提供更多不必要的行,预测
使用了最新的Mdl.P
观察。
每个选择响应变量是一个numpreobs
——- - - - - -numprepaths
数字矩阵。您可以选择性地指定numseries
响应变量使用PresampleResponseVariables
名称-值参数。
路径(列)在一个特定的响应变量是独立的,但道路
所有变量对应的j
= 1,…,j
numprepaths
。下列条件适用于:
如果你计算无条件的预测(即你不指定
抽样
和ResponseVariables
名称-值参数),预测
初始化每个预测路径/响应变量使用相应的路径选择Tbl1
。因此,每个预测响应变量的输出参数Tbl2
是一个numperiods
——- - - - - -numprepaths
矩阵。如果你通过指定未来响应数据计算条件的预测
抽样
通过使用和对应的响应变量的数据ResponseVariables
,预测
采取这些行动之一:如果所选presample响应变量向量,
预测
初始化每个预测路径选择的响应变量(列)抽样
通过使用相应的presample变量Tbl1
。因此,所有路径的预测响应变量从常见的初始条件。如果选择的响应变量
抽样
是向量,预测
生成numprepaths
预测路径,路径的初始化每个选中presample响应变量Tbl1
,但未来响应数据,预测的条件,在所有路径是一样的。因此,numpaths
=numprepaths
是路径的数量在所有预测响应变量,和所有路径发展可能从不同的初始条件。否则,
numpaths
之间的最小值是numprepaths
选择和路径的数量在每一个响应变量抽样
。对于每个选定presample和未来的示例响应变量
和每个路径ResponseK
= 1,…,j
numpaths
,预测
适用于Tbl1。
初始化条件的响应数据的预测ResponseK
(:,j
)Tbl2。
ResponseK
(:,
。j
)
如果Tbl1
是一个时间表,所有下列条件必须是真实的:
Tbl1
必须代表一个样本与正则datetime时间步(看到了吗isregular
)。输入
抽样
和Tbl1
等时间必须是一致的吗Tbl1
立即之前抽样
对采样频率和秩序。datetime向量样本的时间戳
Tbl1.Time
必须升序或降序。
如果Tbl1
是一个表,最后一行包含最新presample观察。
抽样
- - - - - -<年代pan itemprop="purpose">未来的时间序列响应或预测数据
表|<年代pan itemprop="inputvalue">时间表
自从R2022b
未来的时间序列响应或预测数据,指定为一个表或时间表。抽样
包含numvars
变量,包括numseries
响应变量y<年代ub>t或numpreds
预测变量x<年代ub>t模型回归组件。您可以指定抽样
只有当你指定Tbl1
。
使用抽样
在下列情况下:
执行条件模拟。您还必须提供响应变量名称中选择响应数据
抽样
通过使用ResponseVariables
名称-值参数。供应未来的预测数据无条件或有条件的模拟。提供预测数据,您必须指定预测变量名称
抽样
通过使用PredictorVariables
名称-值参数。否则,预测
忽略了模型回归组件。
每一行对应一个观察预测的时间跨度中,第一行是最早的观察,测量每一行,在所有路径,同时发生。具体地说,行
的变量j
(VariableK
抽样。
)包含观测VariableK
(j
:)
未来时期,或者j
段时间的预测。j
抽样
必须至少有numperiods
行预测地平线。如果你提供更多不必要的行,预测
只使用第一numperiods
行。
每个选择响应变量是一个数字矩阵。对于每个选定的反应变量
列是独立的,独立的路径。具体来说,路径K
响应变量的j
抓住了状态,或知识ResponseK
随着它的发展从过去presample(例如,ResponseK
Tbl1。
)进入未来。对于每个选定的反应变量ResponseK
:ResponseK
如果所选presample响应变量
Tbl1
是向量,预测
初始化每个预测路径选择的响应变量(列)抽样
通过使用相应的presample变量Tbl1
。因此,所有路径的预测响应变量输出Tbl2
从常见的初始条件。如果选择的响应变量
抽样
是向量,预测
生成numprepaths
预测路径,路径的初始化每个选中presample响应变量Tbl1
,但未来响应数据,预测的条件,在所有路径是一样的。因此,numpaths
=numprepaths
是路径的数量在所有预测响应变量,和所有路径发展可能从不同的初始条件。否则,
numpaths
之间的最小值是numprepaths
选择和路径的数量在每一个响应变量抽样
。对于每个选定presample和未来的示例响应变量
和每个路径ResponseK
= 1,…,j
numpaths
,预测
适用于Tbl1。
初始化条件的响应数据的预测ResponseK
(:,j
)Tbl2。
ResponseK
(:,
。j
)
每个预测变量是一个数值向量。所有预测变量存在于每个响应方程的回归组件和适用于所有反应路径。
如果抽样
是一个时间表,适用下列条件:
抽样
必须代表一个样本与正则datetime时间步(看到了吗isregular
)。datetime向量
InSample.Time
必须升序或降序。Tbl1
必须立即之前抽样
,对采样频率。
如果抽样
是一个表,最后一行包含最新的观测。
的响应变量的元素抽样
可以数字标量或缺失值(显示南
值)。预测
将数字标量视为确定性提前知道未来的反应,例如,制定的政策。预测
对相应的预测响应南
值条件已知的值。必须是一个数字标量元素选择的预测变量。
默认情况下,预测
计算传统MMSE预测和预报家中小企业没有回归组件模型中(每个选定的响应变量是一个numperiods
——- - - - - -numprepaths
组成的矩阵南
值表示一个完整的缺乏知识的未来状态的响应预测地平线)。
更多细节,请参阅算法。
例子:考虑预测一条路径从一个模型组成的两个反应级数,国内生产总值
和消费者价格指数
在未来三个时期。假设您有先验知识对未来的一些值的反应,和你想预测未知的反应条件在你的知识。指定抽样
包含值,你知道,作为一个矩阵和使用南
值你不知道但是想预测。例如,抽样= array2table([2南;0.1南;南南,VariableNames = (“GDP”“CPI”))
指定你没有知识的未来价值消费者价格指数
,但是你知道国内生产总值
2、0.1和未知的时间1,2和3,分别预测地平线。
ResponseVariables
- - - - - -<年代pan itemprop="purpose">变量选择抽样
治疗反应变量y<年代ub>t
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
自从R2022b
变量选择抽样
治疗反应变量y<年代ub>t指定为下列数据类型之一:
或细胞特征向量的向量包含字符串向量
numseries
变量名在InSample.Properties.VariableNames
一个长度
numseries
向量独特的指数(整数)变量的选择InSample.Properties.VariableNames
一个长度
numvars
逻辑向量,ResponseVariables (
选择变量j
)= true
从j
InSample.Properties.VariableNames
,总和(ResponseVariables)
是numseries
选择的变量必须是一个数字矩阵向量(单路)或(列表示多个独立路径)相同的宽度。
计算条件预测,您必须指定ResponseVariables
选择响应变量抽样
调节的数据。ResponseVariables
只适用于当你指定抽样
。
默认情况下,预测
为了计算传统MMSE预测和预测。
例子:ResponseVariables = (“GDP”“CPI”)
例子:ResponseVariables =(真的假的真的假的)
或ResponseVariable = 3 [1]
选择了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
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:预测(Mdl 10 Y0, X =挂式)
返回一个数值数组,其中包含一个10年间预测反应路径Mdl
的数字矩阵presample响应数据Y0
,并指定未来的预测数据的数值矩阵的模型回归组件预测地平线挂式
。
PresampleResponseVariables
- - - - - -<年代pan itemprop="purpose">变量选择Tbl1
用于presample响应数据
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
自从R2022b
变量选择Tbl1
用于presample数据,指定为以下数据类型之一:
或细胞特征向量的向量包含字符串向量
numseries
变量名在Tbl1.Properties.VariableNames
一个长度
numseries
向量独特的指数(整数)变量的选择Tbl1.Properties.VariableNames
一个长度
numprevars
逻辑向量,PresampleResponseVariables (
选择变量j
)= true
从j
Tbl1.Properties.VariableNames
,总和(PresampleResponseVariables)
是numseries
所选变量必须是数值向量和不能包含缺失的值(南
)。
PresampleResponseNames
不需要包含相同的名字Mdl.SeriesNames
;预测
使用选定的变量中的数据PresampleResponseVariables (
作为presamplej
)Mdl.SeriesNames (
。j
)
如果变量的数量Tbl1
匹配Mdl.NumSeries
,默认指定所有的变量Tbl1
。如果变量的数量Tbl1
超过Mdl.NumSeries
,默认匹配变量Tbl1
的名字Mdl.SeriesNames
。
例子:PresampleResponseVariables = (“GDP”“CPI”)
例子:PresampleResponseVariables =(真的假的真的假的)
或PresampleResponseVariable = 3 [1]
选择第一个和第三个表为presample数据变量。
数据类型:双
|逻辑
|字符
|细胞
|字符串
X
- - - - - -<年代pan itemprop="purpose">预测时间序列的预测数据x<年代ub>t
数字矩阵
预测时间序列的预测数据x<年代ub>t包括在模型中回归组件指定为包含一个数字矩阵numpreds
列。使用X
只有当你供应Y0
。
numpreds
预测变量的数量(大小(Mdl.Beta, 2)
)。
每一行对应一个观察预测地平线,和测量每一行同时发生。具体地说,行
(j
X (
)包含预测的观察j
:)
未来时期,或者j
段时间的预测。j
X
必须至少有numperiods
行。如果你提供更多不必要的行,预测
只使用最早的numperiods
观察。第一行包含最早的观察。预测
不使用回归组件presample时期。
每一列是一个独立的预测变量。所有预测变量存在于每个响应方程的回归组件。
预测
适用于X
每条路径(页面);也就是说,X
代表观察到的预测路径之一。
保持模型一致性预测地平线,指定预测预测时Mdl
有一个回归组件。
默认情况下,预测
排除了回归组件,无论它的存在Mdl
。
数据类型:双
YF
- - - - - -<年代pan itemprop="purpose">未来的多元反应级数
数字矩阵|<年代pan itemprop="inputvalue">数字数组
未来条件预测、多元响应序列数据或数组包含指定为一个数字矩阵numseries
列。使用YF
只有当你供应Y0
。
每一行对应于观测预报的地平线,和第一行是最早的观察。具体地说,行j
在样本路径k
(YF (
)包含的响应j
:,k
)j
未来时期,或者
段时间的预测。j
YF
必须至少有numperiods
行预测地平线。如果你提供更多不必要的行,预测
只使用第一numperiods
行。
每一列对应于响应变量名Mdl.SeriesNames
。
每一个页面对应一个单独的样本路径。具体来说,路径k
(YF (:,:
)捕获状态,或知识、反应级数的发展从过去presample (k
)Y0
)进入未来。
如果
YF
是一个矩阵,预测
生成numprepaths
预测路径,每个presample反应路径的初始化Y0
,但未来响应数据,预测的条件,在所有路径是一样的。因此,numprepaths
输出参数的路径数量吗Y
,所有可能路径从不同的初始条件。如果
Y0
是一个矩阵,预测
初始化每个响应路径(页面)YF
使用相应的presample反应Y0
。因此,numpaths
路径的数量吗YF
在输出参数,所有路径Y
源于共同的初始条件。否则,
numpaths
之间的最小值是numprepaths
和页面的数量YF
,预测
适用于Y0 (:,:
初始化预测路径j
)
,因为j
= 1,…,j
numpaths
。
的元素YF
可以数字标量或缺失值(显示南
值)。预测
将数字标量视为确定性提前知道未来的反应,例如,制定的政策。预测
对相应的预测响应南
值条件已知的值。
默认情况下,YF
是一个数组组成的吗南
值表示一个完整的缺乏知识的响应预测地平线。在这种情况下,预测
传统MMSE估计预测。
更多细节,请参阅算法。
例子:考虑预测一条路径从一个模型由四个反应系列三个时期。假设您有先验知识对未来的一些值的反应,和你想预测未知的反应条件在你的知识。指定YF
包含值,你知道,作为一个矩阵和使用南
值你不知道但是想预测。例如,“YF”,[南2 5南;南南0.1南;南南南南)
指定你没有知识的第一和第四的未来值响应系列;你知道时期1的值在第二反应级数,但没有其他的价值;你知道时间的值1和2在第三系列反应,但不是时期3的值。
数据类型:双
PredictorVariables
- - - - - -<年代pan itemprop="purpose">变量选择抽样
治疗作为外生变量预测指标x<年代ub>t
字符串向量|<年代pan itemprop="inputvalue">细胞特征向量的向量|<年代pan itemprop="inputvalue">向量的整数|<年代pan itemprop="inputvalue">逻辑向量
自从R2022b
变量选择抽样
治疗作为外生变量预测指标x<年代ub>t指定为下列数据类型之一:
或细胞特征向量的向量包含字符串向量
numpreds
变量名在InSample.Properties.VariableNames
一个长度
numpreds
向量独特的指数(整数)变量的选择InSample.Properties.VariableNames
一个长度
numvars
逻辑向量,PredictorVariables (
选择变量j
)= true
从j
InSample.Properties.VariableNames
,总和(PredictorVariables)
是numpreds
无论如何,选择的预测变量
对应的系数j
Mdl.Beta (:,
。j
)
PredictorVariables
只适用于当你指定抽样
。
所选变量必须是数值向量和不能包含缺失的值(南
)。
默认情况下,预测
排除了回归组件,无论它的存在Mdl
。
例子:PredictorVariables = [“M1SL”“TB3MS”“UNRATE”]
例子:PredictorVariables =(真的假的真的假的)
或PredictorVariable = 3 [1]
选择了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
请注意
南
值Y0
和X
显示缺失值。预测
从数据中删除缺失值list-wise删除。如果Y0
是一个三维数组,然后呢预测
执行以下步骤:横向连接形成一个页面
numpreobs
——- - - - - -numpaths * numseries
矩阵。包含至少一个删除任何行
南
连续数据。
失踪的观察,从多条路径的结果
Y0
可以从每个路径不同于获得的结果。缺失值的
X
,预测
从每个页面的删除相应的行YF
。行删除后X
和YF
,如果小于的行数numperiods
,预测
一个错误的问题。预测
问题当选择响应变量从一个错误Tbl1
和选择的预测变量抽样
包含任何缺失值。
输出参数
Y
- MMSE预测的多元反应级数
数字矩阵|数字数组
MMSE预测的多元反应系列,作为一个返回numobs
——- - - - - -numseries
数字矩阵或numobs
——- - - - - -numseries
——- - - - - -numpaths
数字数组。预测
返回Y
只有当你供应presample数据Y0
作为一个数字矩阵或数组。
Y
代表了presample反应的延续Y0
。
每一行是一个时间点的模拟。具体地说,行j
包含了j
段时间的预测。连续值,在所有页面,同时发生。最后一行包含最新的预测价值。
每一列对应的响应系列名称Mdl.SeriesNames
。
页面对应分开,独立预测路径。
如果您指定未来反应条件预测使用YF
名称-值参数,已知的值YF
出现在相同的位置Y
。然而,Y
包含预测的值丢失的观察YF
。
Tbl2
- MMSE预测的多元反应级数和其他变量
表|时间表
自从R2022b
MMSE多元反应级数和其他变量的预测,作为一个表或时间表,返回相同的数据类型Tbl1
。预测
返回Tbl2
只有当你提供输入Tbl1
。
Tbl2
包含以下变量:
在预测的反应路径
numperiods
选择响应的长度预测地平线系列y<年代ub>t。每个预测变量的反应Tbl2
是一个numperiods
——- - - - - -numpaths
数字矩阵,numpaths
取决于反应路径的数量在指定presample或未来(参见示例数据Tbl1
或抽样
)。每一行对应一个时间预测地平线和每一列对应一个单独的路径。预测
预测响应变量名称ResponseK
。例如,如果ResponseK
_ResponsesMdl.Series (
是K
)国内生产总值
,Tbl2
为相应的预测响应包含一个变量的名字GDP_Responses
。如果您指定ResponseVariables
,
是ResponseK
ResponseVariable (
。否则,K
)
是ResponseK
PresampleResponseVariable (
。K
)如果您指定
抽样
未来,所有指定响应变量。
如果Tbl2
是一个时间表,下列条件:
行顺序
Tbl2
升序或降序,匹配的行顺序抽样
当你指定它。如果你不指定抽样
行顺序Tbl2
行顺序是一样的吗Tbl1
。如果您指定
抽样
行次Tbl2.Time
是InSample.Time (1: numperiods)
。否则,Tbl2.Time (1)
后下次Tbl1(结束)
相对于采样频率Tbl2.Time (2: numperiods)
是相对于采样频率以下的时期。
YMSE
——MSE矩阵预测反应
单元格数值矩阵的向量
均方误差矩阵的预测反应,作为一个返回numperiods
1细胞向量numseries
——- - - - - -numseries
数字矩阵。细胞的YMSE
构成的时间序列预测误差协方差矩阵。细胞j
包含了j
今后一段时间将MSE矩阵。
YMSE
对于所有路径是一样的。
因为预测
对预测变量X
外生和nonstochasticYMSE
反映了误差协方差与自回归相关组件的输入模型Mdl
只有。
算法
预测
估计使用方程无条件的预测在哪里t= 1,…,
numperiods
。预测
过滤器的numperiods
——- - - - - -numseries
通过矩阵的新鲜感创新Mdl
。预测
使用指定的presample创新(Y0
或Tbl1
)必要的地方。预测
使用卡尔曼滤波器估计条件的预测。的方式
预测
决定了numpaths
的路径(页面)的输出参数Y
或路径的数量(列)的预测响应变量的输出参数Tbl2
,取决于预测类型。如果你估计无条件的预测,这意味着你不指定
YF
名称-值参数,或抽样
和ResponseVariables
名称-值参数,numpaths
的路径吗Y0
或Tbl1
输入参数。如果你估计条件预测和presample数据
Y0
和未来的样本数据YF
,或者响应变量Tbl1
和抽样
有多个路径,numpaths
presample之间最少的路径和未来的示例响应数据。因此,预测
只使用第一numpaths
为每个输入路径的每个响应变量。如果你条件的预测和估计
Y0
或YF
,或者响应变量Tbl1
或抽样
有一条路,numpaths
在数组的页面数量最多的页面。预测
使用变量与一个路径产生每个输出路径。
预测
设置时间起源的模型,包括线性时间趋势t0来numpreobs
- - - - - -Mdl.P
(在删除缺失值),numpreobs
是presample观测的数量。因此,组件是时代的趋势t=t0+ 1,t0+ 2,…,t0+numpreobs
。本公约的默认行为是一致的模型估计中估计
删除第一个Mdl.P
反应,减少了有效的样本大小。虽然预测
显式地使用第一Mdl.P
presample反应Y0
或Tbl1
初始化模型,可用观测确定的总数t0。一个观察Y0
如果它不包含一个是可用的南
。
引用
[1]<年代pan>汉密尔顿,詹姆斯D。时间序列分析。普林斯顿,纽约:普林斯顿大学出版社,1994年。
[2]<年代pan>约翰森,S。基于可能性推理在共合体向量自回归模型。牛津:牛津大学出版社,1995年。
[3]<年代pan>Juselius, K。共合体VAR模型。牛津:牛津大学出版社,2006年。
[4]<年代pan>Lutkepohl, H。新的多元时间序列分析的介绍。柏林:施普林格出版社,2005年。
版本历史
介绍了R2017bR2022b:<年代pan class="remove_bold">预测
接受输入数据表和时间表,并返回结果表和时间表
除了接受输入数据在数值数组,预测
接受输入数据表和时间表。预测
选择默认的系列操作,但您可以使用以下名称参数选择变量。
PresampleResponseVariables
指定响应系列名称输入presample响应数据。抽样
指定表或常规时间表未来的反应和预测数据来计算条件的预测。ResponseVariables
指定响应系列名称抽样
。PredictorVariables
指定了预测系列抽样
对回归模型组件。
另请参阅
对象
功能
Abrir比如
这种版本modificada德埃斯特比如。害怕Desea abrir埃斯特比如con sus modificaciones吗?
第一de MATLAB
Ha事实clic en联合国围绕此时一个埃斯特第一de MATLAB:
Ejecute el第一introduciendolo en la ventana de第一de MATLAB。洛杉矶navegadores网络没有admiten第一de MATLAB。
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。