结果
创建矢量误差校正(VEC)模型
描述
的结果
函数返回结果
对象,指定函数形式并存储的参数值(p- 1)-阶,协整,多元向量误差修正模型(VEC ((p- 1))模型。
a的关键组成部分结果
对象中包含时间序列的个数(反应变量维数),表示响应变量之间的协整关系数(协整排),以及由响应序列的一阶差组成的多元自回归多项式的度(短期的多项式),即p- 1。也就是说,p- 1为非零系数矩阵的最大滞后,且p为VEC模型的向量自回归(VAR)模型表示的阶数。其他模型组件包括回归组件,将相同的外生预测变量关联到每个响应系列,以及常数和时间趋势项。
VEC模型的另一个重要组成部分是它约翰森形式因为它说明了MATLAB<年代up>®在模型中包含确定性术语。这个规范对估计过程和允许的等式约束有影响。详情请参见约翰森形式而且[2].
给定响应变量维数、协整秩和短期多项式度,所有系数矩阵和创新分布参数都是未知和可估计的,除非使用名称-值对参数语法指定它们的值。要选择哪种约翰森形式适合您的数据,然后估计一个包含给定数据的全部或部分未知参数值的模型,请使用估计
.用估计的或完全指定的东西工作结果
模型对象,将其传递给目标函数.或者,您可以创建并使用结果
通过使用交互地对对象建模<年代tr在g class="app">计量经济学建模师.
创建
描述
输入参数
简写语法为您提供了一种创建模型模板的简便方法,该模型模板适用于不受限制的参数估计。例如,要创建包含一个协整关系和未知参数值的三个响应序列的VEC(2)模型,输入:
Mdl = vecm(3,1,2);
numseries
- - - - - -<年代pan itemprop="purpose">时间序列个数米
1
(默认)|<年代pan itemprop="inputvalue">正整数
排名
- - - - - -<年代pan itemprop="purpose">协整关系的个数
非负整数
协整关系的个数,指定为非负整数。模型中的调整矩阵和协整矩阵具有一定的精度排名
线性无关列,和numseries
——- - - - - -排名
由南
值。
数据类型:双
numlags
- - - - - -<年代pan itemprop="purpose">第一反应差异数
非负整数
要包含在VEC的短期多项式中的响应的第一差分数(p- 1)模型,指定为非负整数。也就是说,numlags
=p- 1。因此,numlags
指定与相应VAR相关联的短期术语的数量(p)模型。
所有滞后都有numseries
——- - - - - -numseries
短期系数矩阵由南
值。
数据类型:双
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。
手动语法使您能够创建部分或所有系数已知的模型。在评估期间,估计
对任何已知参数施加相等约束。指定足够的信息结果
来推断响应级数的个数和协整秩。
例子:“调整”,南(3 2),“滞后”,[4 8]
指定了具有两个协整关系和滞后时非零短期系数矩阵的三维VEC(8)模型4
而且8
.
滞后
- - - - - -<年代pan itemprop="purpose">短期多项式滞后
1: (p - 1)
(默认)|<年代pan itemprop="inputvalue">唯一正整数的数字向量
短期多项式滞后,指定为由逗号分隔的对组成“滞后”
一个数值向量,最多包含P
- 1个唯一正整数元素。
矩阵短期的{
是滞后系数吗j
}滞后(
.j
)
例子:“滞后”,[1 - 4]
数据类型:双
属性
当您使用名称-值对参数语法创建模型对象时,或者在您使用点表示法创建模型对象之后,您可以设置可写的属性值。例如,创建适合模拟的H1 Johansen形式的VEC(1)模型,由两个协整秩为1且无整体时间趋势项的响应序列组成,输入:
Mdl = vecm('常量',[0;0.01],“调整”,[-0.1;0.15),…“协整”,[1;-4],'ShortRun',{[0.3 -0.15;0.1 - -0.3]},……协方差,眼睛(2));Mdl。Trend = 0;
NumSeries
- - - - - -<年代pan itemprop="purpose">时间序列个数米
正整数
此属性是只读的。
时间序列个数米,指定为正整数。NumSeries
指定多变量响应变量的维数y<年代ub>t和创新ε<年代ub>t.
数据类型:双
排名
- - - - - -<年代pan itemprop="purpose">协整关系的个数
非负整数
此属性是只读的。
协整关系的个数,指定为非负整数。模型中的调整矩阵和协整矩阵具有一定的精度排名
线性无关列和NumSeries
——- - - - - -排名
矩阵。
数据类型:双
P
- - - - - -<年代pan itemprop="purpose">对应VAR模型顺序
非负整数
此属性是只读的。
对应的VAR模型顺序,指定为非负整数。P
- 1是具有非零系数矩阵的短期多项式中的最大滞后。滞后在短期多项式的次数小于P
- 1可以有完全由零组成的系数矩阵。
P
指定初始化模型所需的预采样观察数。
数据类型:双
描述
- - - - - -<年代pan itemprop="purpose">模型描述
字符串标量|<年代pan itemprop="inputvalue">特征向量
模型描述,指定为字符串标量或字符向量。结果
将值存储为字符串标量。例如,默认值描述模型的参数形式2维Rank = 1 VEC(1)模型
.
例子:“描述”、“模式1”
数据类型:字符串
|字符
SeriesNames
- - - - - -<年代pan itemprop="purpose">响应系列名称
字符串向量|<年代pan itemprop="inputvalue">字符向量的单元格数组
响应系列名称,指定为NumSeries
长度字符串向量。默认为[' y1 ' ' y2 '…“Y
.NumSeries
']
例子:SeriesNames, {CPI的‘失业’}
数据类型:字符串
调整
- - - - - -<年代pan itemprop="purpose">协整调整速度
南(NumSeries排名)
(默认)|<年代pan itemprop="inputvalue">数字矩阵
协整调整速度(一个),指定为aNumSeries
——- - - - - -排名
数字矩阵。
如果你指定一个已知值的矩阵,那么所有列都必须是线性无关的(也就是说,调整
必须是一个满列秩的矩阵)。
对于估计,您可以通过提供一个完全由数值或数值和缺失(南
)的值。
如果排名
=0
,然后调整
是空的NumSeries
——- - - - - -0
向量。
有关指定的详细信息调整
,请参阅算法.
例子:“调整”,南(2,1)
数据类型:双
协整
- - - - - -<年代pan itemprop="purpose">协整矩阵
南(NumSeries排名)
(默认)|<年代pan itemprop="inputvalue">数字矩阵
影响
- - - - - -<年代pan itemprop="purpose">影响矩阵
数字矩阵
的影响,或长期水平,矩阵(Π),指定为aNumSeries
——- - - - - -NumSeries
数字矩阵。的级别影响
必须排名
.
对于全秩模型的估计(排名
=NumSeries
),您可以通过提供一个包含数字值和缺失值的混合矩阵(南
).
如果1
≤排名
≤NumSeries
- - - - - -1
,则默认值为调整*协整的
.
如果排名
= 0,则影响
是一个0的矩阵。因此,该模型没有误差修正项。
有关指定的详细信息影响
,请参阅算法.
例子:“冲击”,[0.5 0.25 0;0.3 0.15 0;0 0 0.9]
数据类型:双
CointegrationConstant
- - - - - -<年代pan itemprop="purpose">协整关系中的常数
南(等级1)
(默认)|<年代pan itemprop="inputvalue">数值向量
CointegrationTrend
- - - - - -<年代pan itemprop="purpose">协整关系的时间趋势
南(等级1)
(默认)|<年代pan itemprop="inputvalue">数值向量
短期的
- - - - - -<年代pan itemprop="purpose">短期系数矩阵
数值矩阵的单元向量
与滞后响应差异相关的短期系数矩阵,指定为的单元向量NumSeries
——- - - - - -NumSeries
数字矩阵。
指定对应于这些系数的系数符号VEC模型用差分方程表示。房地产P
是number (ShortRun) + 1
.
如果你设置
“滞后”
到的名称-值对参数滞后
,则适用以下条件。的长度
短期的
而且滞后
必须是相等的。短期的{
滞后系数是矩阵吗j
}滞后(
.j
)默认情况下,
短期的
是一个元素个数(滞后)
-由1单元向量组成的矩阵南
值。
否则,适用以下条件。
短期的{
滞后系数是矩阵吗j
}j
.默认情况下,
短期的
是a (P
-1)-由1单元向量组成的矩阵南
值。
MATLAB假设电流系数,差分响应(Δyt)为单位矩阵。因此,将该系数从短期的
.
例子:短期的,{[0.5 - -0.1;0.1 - 0.2]}
数据类型:细胞
β
- - - - - -<年代pan itemprop="purpose">回归系数矩阵
NumSeries
-by-0空矩阵(默认)|<年代pan itemprop="inputvalue">数字矩阵
与预测变量相关的回归系数矩阵,用a表示NumSeries
——- - - - - -NumPreds
数字矩阵。NumPreds
是预测器变量的数量,即预测器数据中的列数。
β(
包含响应方程中每个预测因子的回归系数y<年代ub>j
:)j
t.β(:,
包含预测器各响应方程中的回归系数x<年代ub>k.默认情况下,所有预测变量都在所有响应方程的回归分量中。通过将等式约束指定为0,可以从某些方程中排除某些预测因子。k
)
例子:在一个包括3个响应和4个预测变量的模型中,要从第三个方程中排除第二个预测变量,并让其他预测变量不受限制,请指定[楠楠楠楠;南南南南;NaN 0 NaN NaN]
.
默认值指定模型中没有回归系数。但是,如果您在估计模型时指定预测器数据使用估计
,然后MATLAB集β
的适当大小的矩阵南
值。
例子:'Beta',[2 3 -1 2;0.5 -1 -6 0.1]
数据类型:双
协方差
- - - - - -<年代pan itemprop="purpose">创新协方差矩阵
南(NumSeries)
(默认)|<年代pan itemprop="inputvalue">数值,正定矩阵
创新的协方差矩阵NumSeries
每次都有创新t= 1,…,T,指定为NumSeries
——- - - - - -NumSeries
数值,正定矩阵。
例子:协方差,眼睛(2)
数据类型:双
请注意
南
属性中的-value元素表示未知的、可估计的参数。指定元素表示模型估计中参数的相等约束。创新协方差矩阵协方差
不能包含的混合南
值和实数;必须完全指定协方差,否则协方差必须完全未知(南(NumSeries)
).
对象的功能
例子
为参数估计准备VEC模型模板
假设一个协整秩为4、短期多项式为2次的VEC模型适合于模拟7个假设的宏观计量经济时间序列的行为。
使用简写语法创建VEC(7,4,2)模型。
Mdl = vecm(7,4,2)
Mdl = vecm与属性:说明:“7维秩= 4 VEC(2)模型与线性时间趋势”SeriesNames:“Y1”“Y2”“Y3”…和4更NumSeries: 7等级:4 P: 3常数:[7×1的向量nan]调整:[7×4矩阵nan)协整:[7×4矩阵nan)影响:[7×7矩阵nan] CointegrationConstant:[4×1的向量nan] CointegrationTrend:[4×1的向量nan]短期运转:nan}{7×7矩阵的滞后(1 2)趋势:[7×1的向量nan]β:协方差矩阵[7×0]:[7×7矩阵nan)
Mdl
是一个结果
模型对象,用作参数估计的模板。MATLAB®考虑南
值作为未知参数值进行估计。例如,调整
属性是一个7 × 4的矩阵南
值。因此,调整速度是需要估计的主动模型参数。
默认情况下,MATLAB®在模型中包含整体和协整线性时间趋势项。可以通过删除时间趋势项来创建H1 Johansen形式的VEC模型,即设置趋势
财产0
使用点表示法。
Mdl。Trend = 0
Mdl = vecm属性:描述:“7维Rank = 4 VEC(2)模型”SeriesNames:“Y1”“Y2”“Y3”…和4更NumSeries: 7等级:4 P: 3常数:[7×1的向量nan]调整:[7×4矩阵nan)协整:[7×4矩阵nan)影响:[7×7矩阵nan] CointegrationConstant:[4×1的向量nan] CointegrationTrend:[4×1的向量nan]短期运转:nan}{7×7矩阵的滞后(1 2)趋势:[7×1的向量0]β:协方差矩阵[7×0]:[7×7矩阵nan)
MATLAB®扩展趋势
到适当的长度,一个7乘1的零向量。
指定VEC模型的所有参数值
考虑三个假设响应序列的VEC(1)模型。
创新是均值为0的多元高斯分布和协方差矩阵
为参数值创建变量。
调整= [-0.3 0.3;-0.2 - 0.1;1 0];协整= [0.1 -0.7;-0.2 - 0.5;0.2 - 0.2);ShortRun = {[0.]0.1 - 0.2;0.2 -0.2 0;0.7 -0.2 0.3]}; Constant = [-1; -3; -30]; Trend = [0; 0; 0]; Covariance = [1.3 0.4 1.6; 0.4 0.6 0.7; 1.6 0.7 5];
创建一个结果
模型对象使用适当的名称-值对参数表示VEC(1)模型。
Mdl = vecm(<年代pan style="color:#A020F0">“调整”调整,<年代pan style="color:#A020F0">协整的协整,<年代pan style="color:#0000FF">...“不变”常数,<年代pan style="color:#A020F0">“短期的”短期的,<年代pan style="color:#A020F0">“趋势”的趋势,<年代pan style="color:#0000FF">...协方差的协方差)
Mdl = vecm带属性:描述:“三维Rank = 2 VEC(1)模型”SeriesNames:“Y1”“Y2”“Y3”NumSeries: 3 Rank: 2 P: 2常数:[-1 -3 -30]'调整:[3×2矩阵]协整:[3×2矩阵]影响:[3×3矩阵]协整常量:[2×1向量的NaNs]协整趋势:[2×1向量的NaNs] ShortRun: {3×3矩阵}在滞后[1]趋势:[3×1向量的零]Beta: [3×0矩阵]协方差:[3×3矩阵]
Mdl
是否有效地完全指定结果
模型对象。即协整常数和线性趋势是未知的。然而,由于总体常数和趋势参数是已知的,模拟观测或预测不需要它们。
默认情况下,结果
将短期系数归为短期多项式中的第一个滞后。考虑另一个赋予短期系数矩阵属性的VEC模型短期的
到第四个滞后项,为第一个滞后系数指定一个由零组成的矩阵,并将所有其他项视为等于Mdl
.创建这个VEC(4)模型。
mll .ShortRun(4) =短trun;mll . shortrun (1) = {0}
Mdl = vecm具有属性:描述:“三维Rank = 2 VEC(4)模型”SeriesNames:“Y1”“Y2”“Y3”NumSeries: 3 Rank: 2 P: 5常量:[-1 -3 -30]'调整:[3×2矩阵]协整:[3×2矩阵]影响:[3×3矩阵]协整常量:[2×1向量的NaNs]协整趋势:[2×1向量的NaNs] ShortRun: {3×3矩阵}在滞后[4]趋势:[3×1向量的零]Beta: [3×0矩阵]协方差:[3×3矩阵]
或者,您可以使用结果
和的语法相同Mdl
,但另外指定“滞后”,4
.
拟合VEC(1)模型与响应数据矩阵
拟合VEC(1)模型到7个宏观经济序列。以数字矩阵的形式提供响应数据。
考虑以下宏观经济系列的VEC模型:
国内生产总值(GDP)
GDP隐性价格平减指数
员工薪酬
所有人的非农业务部门工作时间
实际联邦基金利率
个人消费支出
国内私人投资总额
假设协整秩为4和一个短期项是合适的,即考虑VEC(1)模型。
加载Data_USEconVECModel
数据集。
负载<年代pan style="color:#A020F0">Data_USEconVECModel
有关数据集和变量的更多信息,请输入描述
在命令行。
通过在单独的图上绘制序列来确定是否需要对数据进行预处理。
图平铺布局(2,2)nexttile plot(FRED.Time,FRED.GDP);标题(<年代pan style="color:#A020F0">“本地生产总值”);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">“雇员的已付补偿”);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">“非农业行业营业时间”);ylabel (<年代pan style="color:#A020F0">“指数”);包含(<年代pan style="color:#A020F0">“日期”);
图tiledlayout(2,2) nexttile plot(FRED.Time,FRED.FEDFUNDS)<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 plot(FRED.Time,FRED.PCEC)<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 plot(FRED.Time,FRED.GPDI)<年代pan style="color:#A020F0">“本地私人投资总额”) ylabel (<年代pan style="color:#A020F0">“数十亿美元”)包含(<年代pan style="color:#A020F0">“日期”)
通过应用对数变换,稳定除联邦基金利率外的所有系列。将生成的系列按100缩放,以便所有系列都在相同的比例上。
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);
使用简写语法创建VEC(1)模型。指定变量名。
Mdl = vecm(7,4,1);Mdl。SeriesNames = FRED.Properties.VariableNames
Mdl = vecm与属性:说明:“7维秩= 4 VEC(1)模型与线性时间趋势”SeriesNames:“GDP”“GDPDEF”“COE”…和4更NumSeries: 7等级:4 P: 2常数:[7×1的向量nan]调整:[7×4矩阵nan)协整:[7×4矩阵nan)影响:[7×7矩阵nan] CointegrationConstant:[4×1的向量nan] CointegrationTrend:[4×1的向量nan]短期的:{7×7矩阵nan}在滞后[1]的趋势:[7×1的向量nan]β:协方差矩阵[7×0]:[7×7矩阵nan)
Mdl
是一个结果
模型对象。所有属性包含南
值对应于给定数据要估计的参数。
使用整个数据集和默认选项估计模型。
EstMdl =估计(Mdl,FRED.Variables)
EstMdl = vecm属性:描述:“7维Rank = 4 VEC(1)模型”SeriesNames:“GDP”“GDPDEF”“COE”…和4更多NumSeries: 7排名:4 P: 2常量:[14.1329 8.77841 -7.20359…调整:[7×4矩阵]协整:[7×4矩阵]影响:[7×7矩阵]协整常量:[-28.6082 109.555 -77.0912…and 1 more]' CointegrationTrend: [4×1 vector of zero] ShortRun: {7×7 matrix} at lag[1]趋势:[7×1 vector of zero] Beta: [7×0 matrix]协方差:[7×7 matrix]
EstMdl
是估计的结果
模型对象。它是完全指定的,因为所有参数都有已知值。默认情况下,估计
通过从模型中去除协整趋势项和线性趋势项,对H1 Johansen VEC模型形式施加约束。从估计中排除参数相当于将相等约束施加到零。
显示评估的简短摘要。
结果= summary (EstMdl)
结果=<年代pan class="emphasis">带字段的结构:描述:“7维Rank = 4 VEC(1)模型”模型:“H1”SampleSize: 238 NumEstimatedParameters: 112 LogLikelihood: -1.4939e+03 AIC: 3.2118e+03 BIC: 3.6007e+03 Table: [133x4 Table]协方差:[7x7 double]相关性:[7x7 double]
的表格
领域的结果
是一个表的参数估计和相应的统计。
VEC模型预测响应
这个例子来自拟合VEC(1)模型与响应数据矩阵.
创建并估计VEC(1)模型。将最近10个周期作为预测视界。
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); Mdl = vecm(7,4,1)
Mdl = vecm与属性:说明:“7维秩= 4 VEC(1)模型与线性时间趋势”SeriesNames:“Y1”“Y2”“Y3”…和4更NumSeries: 7等级:4 P: 2常数:[7×1的向量nan]调整:[7×4矩阵nan)协整:[7×4矩阵nan)影响:[7×7矩阵nan] CointegrationConstant:[4×1的向量nan] CointegrationTrend:[4×1的向量nan]短期的:{7×7矩阵nan}在滞后[1]的趋势:[7×1的向量nan]β:协方差矩阵[7×0]:[7×7矩阵nan)
Y = FRED{1:(end - 10),:};EstMdl =估计(Mdl,Y)
EstMdl = vecm属性:描述:“7维Rank = 4 VEC(1)模型”SeriesNames:“Y1”“Y2”“Y3”…和4更多NumSeries: 7排名:4 P: 2常量:[14.5023 8.46791 -7.08266…调整:[7×4矩阵]协整:[7×4矩阵]影响:[7×7矩阵]协整常量:[-32.8433 -101.126 -84.2373…and 1 more]' CointegrationTrend: [4×1 vector of zero] ShortRun: {7×7 matrix} at lag[1]趋势:[7×1 vector of zero] Beta: [7×0 matrix]协方差:[7×7 matrix]
使用估计模型和样本内数据作为预样本观测,预测10个响应。
YF =预测(EstMdl,10,Y);
分地分地,分地分地国内生产总值
而且GPDI
用它们的预测值做级数。
图;情节(弗雷德。Time(end - 50:end),FRED.GDP(end - 50:end)); hold<年代pan style="color:#A020F0">在情节(弗雷德。Time((end - 9):end),YF(:,1)) h = gca; fill(FRED.Time([end - 9 end end end - 9]),h.YLim([1,1,2,2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">...“FaceAlpha”, 0.1,<年代pan style="color:#A020F0">“EdgeColor”,<年代pan style="color:#A020F0">“没有”);传奇(<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”,<年代pan style="color:#A020F0">“位置”,<年代pan style="color:#A020F0">“西北”)标题(<年代pan style="color:#A020F0">季度GDP: 2004 - 2016);ylabel (<年代pan style="color:#A020F0">“数十亿美元(按比例)”);包含(<年代pan style="color:#A020F0">“年”);持有<年代pan style="color:#A020F0">从
图;情节(弗雷德。Time(end - 50:end),FRED.GPDI(end - 50:end)); hold<年代pan style="color:#A020F0">在情节(弗雷德。Time((end - 9):end),YF(:,7)) h = gca; fill(FRED.Time([end - 9 end end end - 9]),h.YLim([1,1,2,2]),<年代pan style="color:#A020F0">“k”,<年代pan style="color:#0000FF">...“FaceAlpha”, 0.1,<年代pan style="color:#A020F0">“EdgeColor”,<年代pan style="color:#A020F0">“没有”);传奇(<年代pan style="color:#A020F0">“真正的”,<年代pan style="color:#A020F0">“预测”,<年代pan style="color:#A020F0">“位置”,<年代pan style="color:#A020F0">“西北”)标题(<年代pan style="color:#A020F0">季度规模GPDI: 2004 - 2016);ylabel (<年代pan style="color:#A020F0">“数十亿美元(按比例)”);包含(<年代pan style="color:#A020F0">“年”);持有<年代pan style="color:#A020F0">从
更多关于
向量误差修正模型
一个矢量误差修正(VEC)模型多变量随机时间序列模型是由米=numseries
方程米不同的,不同的响应变量。方程组中的方程可以包括纠错的术语,这是用于稳定系统的水平响应的线性函数。的协整排r是协整关系系统中存在的。
每个响应方程都可以包含一个由响应级数的一阶差分组成的自回归多项式(短期的多项式的程度p- 1),一个常数,一个时间趋势,外生预测变量,误差修正项中一个常数和时间趋势。
VEC (p- 1)模型在差分方程的符号而在简化型可以用两种方式表示:
这个方程是组件的形式其中协整调整速度和协整矩阵是显式的,而影响矩阵是隐含的。
协整关系是B”yt- 1+c0+d0t纠错项是一个(B”yt- 1+c0+d0t).
这个方程是影响形式其中冲击矩阵是显式的,而协整调整速度和协整矩阵是隐含的。
式中:
y<年代ub>t是一个米-by-1向量的值对应于米时间响应变量t,在那里t= 1,…,T.
Δy<年代ub>t=y<年代ub>t- - - - - -yt- 1.结构系数是单位矩阵。
r是协整关系的个数,一般来说,0 <r<米.
一个是一个米——- - - - - -r调整速度矩阵。
B是一个米——- - - - - -r协整的矩阵。
Π是一个米——- - - - - -米的冲击矩阵r.
c0是一个r协整关系中常数(截距)的-by-1向量。
d0是一个r协整关系中线性时间趋势的-by-1向量。
c1是一个米-by-1常量向量(确定性线性趋势在y<年代ub>t).
d1是一个米线性时间趋势值的-by-1向量(确定性二次趋势在y<年代ub>t).
c=一个c0+c1是总常数。
d=一个d0+d1是总体时间趋势系数。
Φ<年代ub>j是一个米——- - - - - -米短期系数矩阵,其中j= 1,…,p- 1、Φ<年代ub>p- 1不是一个只包含0的矩阵。
x<年代ub>t是一个k-by-1向量的值对应于k外生预测变量。
β是一个米——- - - - - -k回归系数矩阵。
ε<年代ub>t是一个米-by-1的随机高斯变换向量,每个均值为0,加起来为米——- - - - - -米协方差矩阵Σ。为t≠年代,ε<年代ub>t而且ε<年代ub>年代是独立的。
这个系统是用延迟运算符表示的
在哪里<年代pan class="inlineequation"> ,我是米——- - - - - -米单位矩阵,和ly<年代ub>t=yt- 1.
如果米=r,则VEC模型为稳定的VAR(p)模型的反应水平。如果r= 0,则纠错项为0的矩阵,VEC(p- 1)模型是一个稳定的VAR(p- 1)模型中响应的第一次差异。
约翰森形式
的约翰森形式的VEC模型在确定性术语的存在方面有所不同。详情见[2],不同表格的估算程序有所不同。因此,在估计过程中对确定性项的允许的等式约束在不同的形式中是不同的。详情请参见确定性术语的作用.
该表描述了五种约翰森形式和支持的等式约束。金宝app
形式 | 纠错的术语 | 确定性系数 | 等式约束 |
---|---|---|---|
H2 | AB´yt−1 |
c= 0 (常数). d= 0 (趋势). c0= 0 (CointegrationConstant). d0= 0 (CointegrationTrend). |
你可以完全指定B. 所有的确定性系数都为零。 |
H1 * | 一个(B´yt−1+c0) |
c=一个c0. d= 0。 d0= 0。 |
如果你完全指定B或c0,那么你必须完全指定另一个。 的值由MATLAB推导出来c从c0而且一个. 所有确定性趋势都为零。 |
H1 | 一个(B´yt−1+c0) +c1 |
c=一个c0+c1. d= 0。 d0= 0。 |
你可以完全指定B. 您可以指定的混合 的值由MATLAB推导出来c0从c而且一个. 所有确定性趋势都为零。 |
H * | 一个(B´yt−1+c0+d0t) +c1 |
c=一个c0+c1. d=一个d0. |
如果你完全指定B或d0,那么你必须完全指定另一个。 您可以指定的混合 的值由MATLAB推导出来c0从c而且一个. 的值由MATLAB推导出来d从一个而且d0. |
H | 一个(B´yt−1+c0+d0t) +c1+d1t |
c=一个c0+c1. d=一个.d0+d1. |
你可以完全指定B. 您可以指定的混合 的值由MATLAB导出c0而且d0从c,d,一个. |
算法
VEC模型表格
VEC模型有两种形式:组件的形式或影响形式.
如果你创建一个
结果
使用简写语法建模对象,然后为这些属性中的至少一个赋值-调整
,协整
,CointegrationConstant
,或CointegrationTrend
属性的值之前影响
属性,则模型采用组件形式。如果你创建一个
结果
类中任意一个赋值,从而使用手工语法对对象进行建模调整
或协整
属性(或两者),但留下影响
属性未指定,则为组件表单建模。如果
1
≤排名
≤NumSeries
- - - - - -1
,就像大多数VEC模型分析的情况一样,那么以组件形式而不是冲击形式来处理模型会更方便。的影响属性的值是只读的,且取决于
协整
而且调整
属性。具体地说,影响
=调整*协整的
.在估计过程中,MATLAB分两步对VEC模型进行拟合。首先,估计协整关系。其次,利用差分响应和短期多项式构建VARX模型,对估计的协整关系加入外生项,将VARX模型拟合到差分响应数据上;
如果你创建一个
结果
对象的简写语法建模,然后将值赋给影响
属性,然后再将值赋给这些属性中的任何一个-调整
,协整
,CointegrationConstant
,或CointegrationTrend
-然后模型以撞击形式出现。如果你创建一个
结果
属性的值,从而使用手工语法对对象进行建模影响
财产,但离开要么调整
或协整
属性(或两者)未指定,则模型采用影响形式。的值影响属性是一个全秩矩阵(
排名
=NumSeries
),则可以更方便地以冲击形式而不是组件形式使用模型。相应的VEC模型没有单位根。因此,该模型是一个稳定的VAR(P
)模型。因为每个单独的响应变量都是稳定的,所以响应变量的任何线性组合也是稳定的。因为矩阵因式分解不一定是唯一的,所以
协整
而且调整
属性未知。因此,在你通过之后结果
将对象建模为估计
, MATLAB设置协整
属性NumSeries
——- - - - - -NumSeries
单位矩阵和调整
属性的值影响
在估计中结果
模型对象。的
协整
而且调整
属性是只读的,并且依赖于的值影响
.在估计过程中,MATLAB一步拟合模型:拟合等效的VARX(
P
)模型对不同的反应和包括yt- 1作为回归成分中的外生预测因子。
当使用long - hand语法创建
结果
对象时,如果将值赋给影响
财产,或者调整
或协整
属性(或两者同时),然后MATLAB使用协整秩排名
确定的形式结果
模型对象。具体来说,如果1≤排名
≤NumSeries
- - - - - -1
,则模型对象为组件形式。否则,模型对象处于冲击形式。的形式
结果
模型对象无关紧要。
确定的参数
MATLAB不存储c1而且δ1,但你可以用调整,常数,CointegrationConstant,趋势,CointegrationTrend,对应的约翰森形式VEC模型。
参考文献
[1]<年代pan>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]<年代pan>约翰森,S。协整向量自回归模型中的似然推理.牛津:牛津大学出版社,1995年。
[3]<年代pan>Juselius, K。协整VAR模型.牛津:牛津大学出版社,2006年。
[4]<年代pan>Lutkepohl, H。多重时间序列分析新导论.柏林:施普林格,2005。
版本历史
在R2017b中引入
另请参阅
应用程序
对象
功能
vec2var
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">var2vec
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">egcitest
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">jcitest
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">jcontest
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。