备受gydF4y2Ba

可行的广义最小二乘gydF4y2Ba

所有的页面崩溃gydF4y2Ba

语法gydF4y2Ba

[多项式系数,se, EstCoeffCov] =备受(X, y)gydF4y2Ba

[CoeffTbl, CovTbl] =备受(台)gydF4y2Ba

(gydF4y2Ba___gydF4y2Ba)=备受(gydF4y2Ba___gydF4y2Ba名称=值)gydF4y2Ba

(gydF4y2Ba___gydF4y2Ba)=备受(ax,gydF4y2Ba___gydF4y2Ba、情节=情节)gydF4y2Ba

(gydF4y2Ba___gydF4y2BaiterPlots] =备受(gydF4y2Ba___gydF4y2Ba、情节=情节)gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

(gydF4y2Ba多项式系数gydF4y2Ba,gydF4y2BasegydF4y2Ba,gydF4y2BaEstCoeffCovgydF4y2Ba)=备受(gydF4y2BaXgydF4y2Ba,gydF4y2BaygydF4y2Ba)gydF4y2Ba返回向量的系数估计gydF4y2Ba多项式系数gydF4y2Ba和相应的标准误差gydF4y2BasegydF4y2Ba和协方差矩阵估计系数gydF4y2BaEstCoeffCovgydF4y2Ba从应用gydF4y2Ba可行的广义最小二乘gydF4y2Ba(备受)多元线性回归模型gydF4y2BaygydF4y2Ba=gydF4y2BaXgydF4y2BaβgydF4y2Ba+gydF4y2BaεgydF4y2Ba。gydF4y2BaygydF4y2Ba是一个向量的响应数据和gydF4y2BaXgydF4y2Ba是一个矩阵的预测数据。gydF4y2Ba

例子gydF4y2Ba

(gydF4y2BaCoeffTblgydF4y2Ba,gydF4y2BaCovTblgydF4y2Ba)=备受(gydF4y2Ba资源描述gydF4y2Ba)gydF4y2Ba备受适用于表中的变量或时间表gydF4y2Ba资源描述gydF4y2Ba,并返回备受系数估计和标准表中的错误gydF4y2BaCoeffTblgydF4y2Ba和备受估计系数的协方差矩阵gydF4y2BaEstCoeffCovgydF4y2Ba。gydF4y2Ba

响应变量回归是最后一个表中的变量,和所有其他变量的预测变量。选择一个不同的反应变量的回归,使用gydF4y2BaResponseVariablegydF4y2Ba名称-值参数。选择不同的预测变量,使用gydF4y2BaPredictorNamesgydF4y2Ba名称-值参数。gydF4y2Ba

例子gydF4y2Ba

(gydF4y2Ba___gydF4y2Ba)=备受(gydF4y2Ba___gydF4y2Ba,gydF4y2Ba名称=值gydF4y2Ba)gydF4y2Ba使用附加选项指定一个或多个名称参数,使用任何输入参数组合在前面的语法。gydF4y2Ba备受gydF4y2Ba返回输出参数组合对应的输入参数。gydF4y2Ba

例如,gydF4y2Ba备受(资源描述,ResponseVariable =“GDP”, InnovMdl =“H4”,情节=“所有”)gydF4y2Ba提供系数、标准误差和剩余均方误差(MSE)的块迭代备受回归模型与白色的健壮的创新协方差,和表变量gydF4y2Ba国内生产总值gydF4y2Ba响应,而所有其他变量预测。gydF4y2Ba

(gydF4y2Ba___gydF4y2Ba)=备受(gydF4y2Ba斧头gydF4y2Ba,gydF4y2Ba___gydF4y2Ba、情节=情节)gydF4y2Ba块中指定的轴gydF4y2Ba斧头gydF4y2Ba而不是新数据的轴gydF4y2Ba情节gydF4y2Ba不是gydF4y2Ba“关闭”gydF4y2Ba。gydF4y2Ba斧头gydF4y2Ba可以先于任何输入参数组合的以前的语法。gydF4y2Ba

(gydF4y2Ba___gydF4y2Ba,gydF4y2BaiterPlotsgydF4y2Ba)=备受(gydF4y2Ba___gydF4y2Ba、情节=情节)gydF4y2Ba返回处理时绘制图形对象gydF4y2Ba情节gydF4y2Ba不是gydF4y2Ba“关闭”gydF4y2Ba。使用的元素gydF4y2BaiterPlotsgydF4y2Ba修改情节在您创建的属性。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

估计备受系数和不确定性的措施gydF4y2Ba

打开生活的脚本gydF4y2Ba

假设的敏感性,美国消费者价格指数(CPI)支付员工薪酬的变化(COE)的兴趣。gydF4y2Ba

负载美国宏观经济数据集,它包含数据的矩阵gydF4y2Ba数据gydF4y2Ba。COE和CPI系列列1和2。gydF4y2Ba

负载gydF4y2BaData_USEconModel.matgydF4y2BaCOE =数据(:1);CPI =数据(:,2);日期= datetime(日期、ConvertFrom =gydF4y2Ba“datenum”gydF4y2Ba);gydF4y2Ba

情节。gydF4y2Ba

tiledlayout (2, 1) nexttile情节(日期、CPI);标题(gydF4y2Ba“\ bf消费者价格指数,1947年第一季度Q1 2009年”gydF4y2Ba);轴gydF4y2Ba紧gydF4y2Banexttile情节(日期,COE);标题(gydF4y2Ba“\ bf补偿支付给员工,在1947年第一季度Q1 2009年”gydF4y2Ba);轴gydF4y2Ba紧gydF4y2Ba

这个系列是不稳定的。他们通过计算回报稳定。gydF4y2Ba

rCPI = price2ret (CPI);rCOE = price2ret (COE);gydF4y2Ba

回归gydF4y2BarCPIgydF4y2Ba到gydF4y2BarCOEgydF4y2Ba包括一个拦截获得普通最小二乘法(OLS)估计,标准错误,和协方差估计的系数。生成一个滞后残余阴谋。gydF4y2Ba

Mdl = fitlm (rCOE rCPI);clmCoeff = Mdl.Coefficients.EstimategydF4y2Ba

clmCoeff =gydF4y2Ba2×1gydF4y2Ba0.0033 - 0.3513gydF4y2Ba

clmSE = Mdl.Coefficients.SEgydF4y2Ba

clmSE =gydF4y2Ba2×1gydF4y2Ba0.0010 - 0.0490gydF4y2Ba

CLMEstCoeffCov = Mdl.CoefficientCovariancegydF4y2Ba

CLMEstCoeffCov =gydF4y2Ba2×2gydF4y2Ba0.0000 -0.0000 -0.0000 0.0024gydF4y2Ba

图plotResiduals (Mdl,gydF4y2Ba“落后”gydF4y2Ba)gydF4y2Ba

残情节展示一个上升趋势,表明创新构成一个自回归过程。这违反了其中一个经典线性模型假设。因此,基于回归系数假设测试不正确,甚至渐近。gydF4y2Ba

估计回归系数,标准错误,并使用备受协方差系数。默认情况下,gydF4y2Ba备受gydF4y2Ba包括回归模型的截距和强加一个AR(1)模型的创新。gydF4y2Ba

[多项式系数,se, EstCoeffCov] =备受(rCPI rCOE)gydF4y2Ba

多项式系数=gydF4y2Ba2×1gydF4y2Ba0.0148 - 0.1961gydF4y2Ba

se =gydF4y2Ba2×1gydF4y2Ba0.0012 - 0.0685gydF4y2Ba

EstCoeffCov =gydF4y2Ba2×2gydF4y2Ba0.0000 -0.0000 -0.0000 0.0047gydF4y2Ba

第1行输出对应的拦截和第二行对应的系数gydF4y2BarCOEgydF4y2Ba。gydF4y2Ba

如果COE系列是外生CPI,备受估计gydF4y2Ba多项式系数gydF4y2Ba是一致的,比OLS估计渐近效率更高。gydF4y2Ba

估计备受系数和不确定性措施表数据gydF4y2Ba

打开生活的脚本gydF4y2Ba

负载美国宏观经济数据集,它包含数据的时间表gydF4y2Ba数据表gydF4y2Ba。gydF4y2Ba

负载gydF4y2BaData_USEconModelgydF4y2Ba

稳定系列通过计算他们的回报。gydF4y2Ba

RDT = price2ret(数据表);gydF4y2Ba

RDTgydF4y2Ba是返回的所有变量的时间表吗gydF4y2Ba数据表gydF4y2Ba。的gydF4y2Baprice2retgydF4y2Ba函数保存变量名。gydF4y2Ba

估计回归系数,标准错误,并使用备受协方差矩阵的系数。指定响应和预测变量的名字。gydF4y2Ba

[CoeffTbl, CoeffCovTbl] =备受(RDT ResponseVariable =gydF4y2Ba“CPIAUCSL”gydF4y2BaPredictorVariables =gydF4y2Ba“卓越中心”gydF4y2Ba)gydF4y2Ba

CoeffTbl =gydF4y2Ba2×2表gydF4y2Ba多项式系数6.2416 SE _____ _____ Const e-05 1.336 e-05 COE 0.20562 - 0.055615gydF4y2Ba

CoeffCovTbl =gydF4y2Ba2×2表gydF4y2BaConst COE ___________ ___________ Const 1.7848平台以及-5.6329 e-07 COE -5.6329 e-07 0.003093gydF4y2Ba

当你提供一个数据表或时间表,gydF4y2Ba备受gydF4y2Ba返回表的估计。gydF4y2Ba

为备受估计指定基于“增大化现实”技术的滞后gydF4y2Ba

打开生活的脚本gydF4y2Ba

假设的敏感性,美国消费者价格指数(CPI)支付员工薪酬的变化(COE)的兴趣。这个例子扩展示例中概述的分析gydF4y2Ba估计备受系数和不确定性的措施gydF4y2Ba。gydF4y2Ba

美国宏观经济数据集加载。gydF4y2Ba

负载gydF4y2BaData_USEconModelgydF4y2Ba

这个系列是不稳定的。稳定的应用日志,然后第一个区别。gydF4y2Ba

LDT = price2ret(数据);rCOE = LDT (: 1);rCPI = LDT (:, 2);gydF4y2Ba

回归gydF4y2BarCPIgydF4y2Ba到gydF4y2BarCOEgydF4y2Ba,其中包括一个拦截获得OLS估计。残差图相关图。gydF4y2Ba

Mdl = fitlm (rCOE rCPI);u = Mdl.Residuals.Raw;图;次要情节(2,1,1)autocorr (u);次要情节(2,1,2);parcorr (u);gydF4y2Ba

相关图表明,创新具有重大的基于“增大化现实”技术的影响。根据gydF4y2BaBox-Jenkins方法gydF4y2Ba,创新似乎包含一个基于“增大化现实”技术(3)系列。gydF4y2Ba

使用备受估计回归系数。默认情况下,gydF4y2Ba备受gydF4y2Ba假设创新是自回归。指定该创新由使用AR (3)gydF4y2BaARLagsgydF4y2Ba名称-值参数,并打印最终估计命令窗口使用gydF4y2Ba显示gydF4y2Ba名称-值参数。gydF4y2Ba

备受(rCPI rCOE ARLags = 3 =gydF4y2Ba“最终”gydF4y2Ba);gydF4y2Ba

OLS估计:|多项式系数SE - - - - - - - - - - - - - - - - - - - - - - - - Const x1 | | 0.0122 - 0.0009 0.4915 - 0.0686备受估计:|多项式系数SE - - - - - - - - - - - - - - - - - - - - - - - - Const x1 | | 0.0148 - 0.0012 0.1972 - 0.0684gydF4y2Ba

如果COE率系列是外生的CPI,备受估计是一致的,比OLS估计渐近效率更高。gydF4y2Ba

使用备受估计占剩余异方差性gydF4y2Ba

打开生活的脚本gydF4y2Ba

模型的名义国民生产总值gydF4y2BaGNPNgydF4y2Ba增长率的影响占消费者价格指数的增长速度gydF4y2Ba消费者价格指数gydF4y2Ba,实际工资gydF4y2Ba或者说是gydF4y2Ba,货币存量gydF4y2Ba女士gydF4y2Ba。占经典线性模型离职。gydF4y2Ba

加载Nelson-Plosser数据集,其中包含表中的数据gydF4y2Ba数据表gydF4y2Ba。删除所有包含至少一个缺失值的观察。gydF4y2Ba

负载gydF4y2BaData_NelsonPlossergydF4y2BaDT = rmmissing(数据表);T =身高(DT);gydF4y2Ba

情节。gydF4y2Ba

predNames = [gydF4y2Ba“CPI”gydF4y2Ba“福”gydF4y2Ba“女士”gydF4y2Ba];tiledlayout (2, 2)gydF4y2Ba为gydF4y2Baj = [gydF4y2Ba“GNPN”gydF4y2BapredNames] nexttile情节(DT {: j});xticklabels (DT.Dates)标题(j);轴gydF4y2Ba紧gydF4y2Ba结束gydF4y2Ba

图包含4轴对象。坐标轴对象1标题GNPN包含一个类型的对象。坐标轴对象2标题CPI包含一个类型的对象。坐标轴对象3标题或者说是包含一个类型的对象。女士坐标轴对象4标题包含一个类型的对象。gydF4y2Ba

所有系列出现不稳定。gydF4y2Ba

对于每一个系列,计算投资回报。gydF4y2Ba

RetDT = price2ret (DT);gydF4y2Ba

RetTTgydF4y2Ba是变量的返回的时间表gydF4y2BaTTgydF4y2Ba。变量的名字是守恒的。gydF4y2Ba

回归的gydF4y2BaGNPNgydF4y2Ba率在gydF4y2Ba消费者价格指数gydF4y2Ba,gydF4y2Ba或者说是gydF4y2Ba,gydF4y2Ba女士gydF4y2Ba利率。检验残差的散点图和相关图。gydF4y2Ba

Mdl = fitlm (RetDT ResponseVar =gydF4y2Ba“GNPN”gydF4y2BaPredictorVar = predNames);图plotResiduals (Mdl,gydF4y2Ba“caseorder”gydF4y2Ba);轴gydF4y2Ba紧gydF4y2Ba

图包含一个坐标轴对象。标题顺序图的坐标轴对象剩余工资包含2线类型的对象。gydF4y2Ba

图tiledlayout (2, 1) nexttile autocorr (Mdl.Residuals.Raw);nexttile parcorr (Mdl.Residuals.Raw);gydF4y2Ba

图包含2轴对象。坐标轴对象与标题1样本自相关函数包含4杆类型的对象。坐标轴对象2标题包含样本偏自相关函数4杆类型的对象,线。gydF4y2Ba

耀斑的残差出现,表明异方差性。相关图表明,不存在自相关。gydF4y2Ba

会计估计备受系数的残差的异方差性。指定方残差的协方差估计创新是对角线重量(也就是说,白色的健壮的估计量gydF4y2BaH0gydF4y2Ba)。gydF4y2Ba

备受(RetDT ResponseVariable =gydF4y2Ba“GNPN”gydF4y2BaPredictorVariables = predNames,gydF4y2Ba…gydF4y2BaInnovMdl =gydF4y2Ba“HC0”gydF4y2Ba显示=gydF4y2Ba“最终”gydF4y2Ba);gydF4y2Ba

OLS估计:|多项式系数SE - - - - - - - - - - - - - - - - - - - - - - - - - Const CPI | | -0.0076 - 0.0085 0.9037 - 0.1544 0.9036 WR | 0.1906 | 0.4285 - 0.1379备受女士估计:|多项式系数SE - - - - - - - - - - - - - - - - - - - - - - - - - Const CPI WR | 0.0169 | 0.8853 | -0.0102 - 0.0017 0.8897 - 0.0294 | 0.4874 - 0.0291女士gydF4y2Ba

估计备受系数包含ARMA模型的错误gydF4y2Ba

打开生活的脚本gydF4y2Ba

创建这个回归模型和ARMA(1、2)错误,gydF4y2Ba ${εgydF4y2Ba}_{tgydF4y2Ba}$ 是高斯平均值为0,方差为1。gydF4y2Ba

$\begin{array}{cccccccccccccccccccc} {ygydF4y2Ba}_{tgydF4y2Ba} =gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba {xgydF4y2Ba}_{tgydF4y2Ba} (gydF4y2Ba \begin{array}{cccccccccccccccccccc} 2gydF4y2Ba \\ 3gydF4y2Ba \end{array}]gydF4y2Ba +gydF4y2Ba {ugydF4y2Ba}_{tgydF4y2Ba} \\ {ugydF4y2Ba}_{tgydF4y2Ba} =gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba 6gydF4y2Ba {ugydF4y2Ba}_{tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{tgydF4y2Ba} - - - - - -gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba 3gydF4y2Ba {εgydF4y2Ba}_{tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba 1gydF4y2Ba {εgydF4y2Ba}_{tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba} 。gydF4y2Ba \end{array}$

β= 2 [3];φ= 0.2;θ= (-0.3 - 0.1);马Mdl = regARIMA (AR =φ=θ,拦截= 1,gydF4y2Ba…gydF4y2Baβ=β,方差= 1);gydF4y2Ba

MdlgydF4y2Ba是一个gydF4y2BaregARIMAgydF4y2Ba模型。可以使用点符号访问其属性。gydF4y2Ba

模拟500年时期的二维高斯值标准gydF4y2Ba ${xgydF4y2Ba}_{tgydF4y2Ba}$ ,然后模拟使用的反应gydF4y2BaMdlgydF4y2Ba。gydF4y2Ba

numObs = 500;rng (1);gydF4y2Ba%的再现性gydF4y2BaX = randn (numObs 2);y =模拟(Mdl numObs X = X);gydF4y2Ba

备受gydF4y2Ba金宝app支持基于“增大化现实”技术(gydF4y2BapgydF4y2Ba)创新模型。您可以将一个ARMA模型多项式多项式使用infinite-lag AR模型gydF4y2Baarma2argydF4y2Ba。默认情况下,gydF4y2Baarma2argydF4y2Ba返回前10项的系数。转换后,确定有多少滞后产生的AR模型几乎是重要通过检查返回的系数向量的长度。选择项的数量超过0.00001。gydF4y2Ba

格式gydF4y2Ba长gydF4y2BaarParams = arma2ar(θ,φ)gydF4y2Ba

arParams =gydF4y2Ba1×3gydF4y2Ba-0.100000000000000 0.070000000000000 0.031000000000000gydF4y2Ba

arLags =总和(abs (arParams) > 0.00001);格式gydF4y2Ba短gydF4y2Ba

有小幅度的一些参数。您可能想要减少滞后包括创新模型gydF4y2Ba备受gydF4y2Ba。gydF4y2Ba

估计系数及其标准错误使用备受和模拟数据。指定该创新包含一个基于“增大化现实”技术(gydF4y2BaarLagsgydF4y2Ba)的过程。gydF4y2Ba

[多项式系数,~,EstCoeffCov] =备受(X, y, InnovMdl =gydF4y2Ba“基于“增大化现实”技术”gydF4y2Ba,ARLags = ARLags)gydF4y2Ba

多项式系数=gydF4y2Ba3×1gydF4y2Ba1.0372 2.0366 2.9918gydF4y2Ba

EstCoeffCov =gydF4y2Ba3×3gydF4y2Ba0.0026 -0.0000 0.0001 -0.0000 0.0022 0.0000 0.0001 0.0000 0.0024gydF4y2Ba

估计系数接近真实值。gydF4y2Ba

情节备受估计的迭代gydF4y2Ba

打开生活的脚本gydF4y2Ba

这个例子展开分析gydF4y2Ba估计备受系数包含ARMA模型的错误gydF4y2Ba。创建这个回归模型和ARMA(1、4)错误,gydF4y2Ba ${εgydF4y2Ba}_{tgydF4y2Ba}$ 是高斯平均值为0,方差为1。gydF4y2Ba

$\begin{array}{cccccccccccccccccccc} {ygydF4y2Ba}_{tgydF4y2Ba} =gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba {xgydF4y2Ba}_{tgydF4y2Ba} (gydF4y2Ba \begin{array}{cccccccccccccccccccc} 1gydF4y2Ba 。gydF4y2Ba 5gydF4y2Ba \\ 2gydF4y2Ba \end{array}]gydF4y2Ba +gydF4y2Ba {ugydF4y2Ba}_{tgydF4y2Ba} \\ {ugydF4y2Ba}_{tgydF4y2Ba} =gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba 9gydF4y2Ba {ugydF4y2Ba}_{tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{tgydF4y2Ba} - - - - - -gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba 4gydF4y2Ba {εgydF4y2Ba}_{tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba 2gydF4y2Ba {εgydF4y2Ba}_{tgydF4y2Ba - - - - - -gydF4y2Ba 4gydF4y2Ba} 。gydF4y2Ba \end{array}$

β= (1.5 - 2);φ= 0.9;θ= (-0.4 - 0.2);马Mdl = regARIMA (AR =φ=θ,MALags =[1 - 4],拦截= 1,β=β,方差= 1);gydF4y2Ba

假设分布的预测gydF4y2Ba

${xgydF4y2Ba}_{tgydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba (gydF4y2Ba (gydF4y2Ba \begin{array}{cccccccccccccccccccc} - - - - - -gydF4y2Ba 1gydF4y2Ba \\ 1gydF4y2Ba \end{array}]gydF4y2Ba,gydF4y2Ba (gydF4y2Ba \begin{array}{cccccccccccccccccccc} 0gydF4y2Ba 。gydF4y2Ba 2gydF4y2Ba 5gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 1gydF4y2Ba \end{array}]gydF4y2Ba)gydF4y2Ba 。gydF4y2Ba$

模拟30期gydF4y2Ba ${xgydF4y2Ba}_{tgydF4y2Ba}$ 30,然后模拟相应的反应从回归模型ARMA错误gydF4y2BaMdlgydF4y2Ba。gydF4y2Ba

numObs = 30;rng (1);gydF4y2Ba%的再现性gydF4y2BamuX = [1];sigX = (0.5 - 1);X = randn (numObs元素个数(β))。* sigX + muX;y =模拟(Mdl numObs X = X);gydF4y2Ba

将ARMA模型多项式多项式使用infinite-lag AR模型gydF4y2Baarma2argydF4y2Ba。默认情况下,gydF4y2Baarma2argydF4y2Ba返回前10项的系数。找到的数量超过0.00001条款。gydF4y2Ba

arParams = arma2ar(φ,θ);arLags =总和(abs (arParams) > 1 e-5);gydF4y2Ba

估计回归系数通过八个备受迭代,并指定数量的基于“增大化现实”技术创新滞后模型(gydF4y2BaarLagsgydF4y2Ba)。同时,指定情节的系数估计为每个迭代和标准错误,并显示最后的估计和表格形式的OLS估计。gydF4y2Ba

[多项式系数,~,EstCoeffCov] =备受(X, y, InnovMdl =gydF4y2Ba“基于“增大化现实”技术”gydF4y2BaARLags = ARLags,gydF4y2Ba…gydF4y2BaNumIter = 8,情节= (gydF4y2Ba“多项式系数”gydF4y2Ba“本身”gydF4y2Ba),显示=gydF4y2Ba“最终”gydF4y2Ba);gydF4y2Ba

OLS估计:|多项式系数SE - - - - - - - - - - - - - - - - - - - - - - - - Const x1 x2 | 0.3480 | 1.9637 | 1.7619 - 0.4514 1.7242 - 0.2152备受估计:|多项式系数SE - - - - - - - - - - - - - - - - - - - - - - - - Const x1 x2 | 0.2919 | 1.7020 | 1.0845 - 0.6972 2.0825 - 0.1603gydF4y2Ba

图包含一个坐标轴对象。坐标轴对象与标题空白C o e f f我e n C t s包含9线类型的对象。这些对象代表Const, x1, x2。gydF4y2Ba

图包含一个坐标轴对象。坐标轴对象与标题空白S t n d r d空白E r r o r S包含9线类型的对象。这些对象代表Const, x1, x2。gydF4y2Ba

似乎该算法收敛后四个迭代。备受估计比OLS估计更接近真实值。gydF4y2Ba

迭代的特性备受估计在有限样本难以建立。渐近性质,一个迭代备受是充分的,但是gydF4y2Ba备受gydF4y2Ba金宝app支持迭代备受实验。gydF4y2Ba

如果估计或标准错误显示不稳定连续的迭代之后,然后协方差估计的创新可能是病态的。考虑扩展使用的剩余工资gydF4y2BaResCondgydF4y2Ba名称-值参数来提高创新协方差估计的条件。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测数据gydF4y2BaXgydF4y2Ba
数字矩阵gydF4y2Ba

预测数据gydF4y2BaXgydF4y2Ba多元线性回归模型,指定为一个gydF4y2BanumObsgydF4y2Ba——- - - - - -gydF4y2BanumPredsgydF4y2Ba数字矩阵。gydF4y2Ba

每一行代表一个的gydF4y2BanumObsgydF4y2Ba观察和每一列代表之一gydF4y2BanumPredsgydF4y2Ba预测变量。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`ygydF4y2Ba`- - - - - -gydF4y2Ba响应数据gydF4y2BaygydF4y2Ba
数值向量gydF4y2Ba

响应数据gydF4y2BaygydF4y2Ba多元线性回归模型,指定为一个gydF4y2BanumObsgydF4y2Ba1数字向量。行gydF4y2BaygydF4y2Ba和gydF4y2BaXgydF4y2Ba对应。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba结合预测和响应数据gydF4y2Ba
表gydF4y2Ba|gydF4y2Ba时间表gydF4y2Ba

结合预测和响应数据的多元线性回归模型,指定为一个表或时间表gydF4y2BanumObsgydF4y2Ba行。每一行的gydF4y2Ba资源描述gydF4y2Ba是一个观察。gydF4y2Ba

测试就退化的响应变量,这是最后一个变量gydF4y2Ba资源描述gydF4y2Ba预测变量,所有其他变量gydF4y2Ba资源描述gydF4y2Ba。选择一个不同的反应变量的回归,使用gydF4y2BaResponseVariablegydF4y2Ba名称-值参数。选择不同的预测变量,使用gydF4y2BaPredictorNamesgydF4y2Ba名称-值参数选择gydF4y2BanumPredsgydF4y2Ba预测因子。gydF4y2Ba

`斧头gydF4y2Ba`- - - - - -gydF4y2Ba轴的阴谋gydF4y2Ba
向量的gydF4y2Ba`轴gydF4y2Ba`对象gydF4y2Ba

轴的情节,指定为一个向量的gydF4y2Ba轴gydF4y2Ba对象的长度等于指定的块的数量gydF4y2Ba情节gydF4y2Ba名称-值参数。gydF4y2Ba

默认情况下,gydF4y2Ba备受gydF4y2Ba创建一个单独的每个情节图。gydF4y2Ba

请注意gydF4y2Ba

南gydF4y2Ba年代gydF4y2BaXgydF4y2Ba,gydF4y2BaygydF4y2Ba,或gydF4y2Ba资源描述gydF4y2Ba显示缺失值,gydF4y2Ba备受gydF4y2Ba删除包含至少一个观察gydF4y2Ba南gydF4y2Ba。也就是说,删除gydF4y2Ba南gydF4y2Ba年代gydF4y2BaXgydF4y2Ba或gydF4y2BaygydF4y2Ba,gydF4y2Ba备受gydF4y2Ba合并的变量gydF4y2Ba(X, y)gydF4y2Ba,然后使用list-wise删除删除任何行,包含至少一个gydF4y2Ba南gydF4y2Ba。gydF4y2Ba备受gydF4y2Ba也删除任何行gydF4y2Ba资源描述gydF4y2Ba包含至少一个gydF4y2Ba南gydF4y2Ba。删除gydF4y2Ba南gydF4y2Ba年代的数据减少了样本容量,可以创建不规则的时间序列。gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的双参数作为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba,在那里gydF4y2Ba的名字gydF4y2Ba参数名称和吗gydF4y2Ba价值gydF4y2Ba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。gydF4y2Ba

R2021a之前,用逗号来分隔每一个名称和值,并附上gydF4y2Ba的名字gydF4y2Ba在报价。gydF4y2Ba

例子:gydF4y2Ba备受(资源描述,ResponseVariable =“GDP”, InnovMdl =“H4”,情节=“所有”)gydF4y2Ba提供系数,标准误差和剩余均方误差(RMSE)块迭代的备受回归模型与白色的健壮的创新协方差,和表变量gydF4y2Ba国内生产总值gydF4y2Ba响应,而所有其他变量预测。gydF4y2Ba

`VarNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量名中使用gydF4y2Ba
字符串向量gydF4y2Ba|gydF4y2Ba特征向量gydF4y2Ba|gydF4y2Ba细胞的字符串向量gydF4y2Ba|gydF4y2Ba细胞特征向量的向量gydF4y2Ba

变量名中使用的显示器,指定为字符串向量或单元向量长度的字符串gydF4y2BanumCoeffsgydF4y2Ba:gydF4y2Ba

如果gydF4y2Ba拦截= truegydF4y2Ba,gydF4y2BaVarNames (1)gydF4y2Ba是拦截的名称(例如gydF4y2Ba“常量”gydF4y2Ba),gydF4y2BaVarNames (gydF4y2BajgydF4y2Ba+ 1)gydF4y2Ba指定要使用的变量的名称gydF4y2BaX (:,gydF4y2BajgydF4y2Ba)gydF4y2Ba或gydF4y2BaPredictorVariables (gydF4y2BajgydF4y2Ba)gydF4y2Ba。gydF4y2Ba
如果gydF4y2Ba拦截= falsegydF4y2Ba,gydF4y2BaVarNames (gydF4y2BajgydF4y2Ba)gydF4y2Ba指定要使用的变量的名称gydF4y2BaX (:,gydF4y2BajgydF4y2Ba)gydF4y2Ba或gydF4y2BaPredictorVariables (gydF4y2BajgydF4y2Ba)gydF4y2Ba。gydF4y2Ba

默认值是以下选项按之一gydF4y2Ba“常量”gydF4y2Ba当一个拦截模型中存在:gydF4y2Ba

{x1, x2,…}gydF4y2Ba当你提供输入gydF4y2BaXgydF4y2Ba和gydF4y2BaygydF4y2Ba
Tbl.Properties.VariableNamesgydF4y2Ba当你提供输入表或时间表gydF4y2Ba资源描述gydF4y2Ba

例子:gydF4y2BaVarNames =[“常量”“时代”“bdd”)gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba细胞gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

`拦截gydF4y2Ba`- - - - - -gydF4y2Ba标志包括拦截gydF4y2Ba
`真正的gydF4y2Ba`(默认)|gydF4y2Ba`假gydF4y2Ba`

标志包括拦截模型,在这个表指定为一个值。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`真正的gydF4y2Ba`	`备受gydF4y2Ba`包括一个回归模型中的截距项。gydF4y2Ba`numCoeffsgydF4y2Ba`=gydF4y2Ba`numPredsgydF4y2Ba`+ 1。gydF4y2Ba
`假gydF4y2Ba`	`备受gydF4y2Ba`不包括一个拦截时,拟合回归模型。gydF4y2Ba`numCoeffsgydF4y2Ba`=gydF4y2Ba`numPredsgydF4y2Ba`。gydF4y2Ba

例子:gydF4y2Ba拦截= falsegydF4y2Ba

数据类型:gydF4y2Ba逻辑gydF4y2Ba

`InnovMdlgydF4y2Ba`- - - - - -gydF4y2Ba创新模型协方差估计gydF4y2Ba
`“基于“增大化现实”技术”gydF4y2Ba`(默认)|gydF4y2Ba`“CLM”gydF4y2Ba`|gydF4y2Ba`“HC0”gydF4y2Ba`|gydF4y2Ba`“盐酸”gydF4y2Ba`|gydF4y2Ba`“HC2”gydF4y2Ba`|gydF4y2Ba`“正”gydF4y2Ba`|gydF4y2Ba`“HC4”gydF4y2Ba`|gydF4y2Ba特征向量gydF4y2Ba

创新模型协方差估计,在下表中指定为一个模型的名字。gydF4y2Ba

集gydF4y2BaInnovMdlgydF4y2Ba指定的结构创新协方差估计量gydF4y2Ba $\overset{^gydF4y2Ba}{ΩgydF4y2Ba}$ 。gydF4y2Ba

(即对角线创新协方差模型。与异方差性、模型),gydF4y2Ba $\overset{^gydF4y2Ba}{ΩgydF4y2Ba} =gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba (gydF4y2Ba ωgydF4y2Ba)gydF4y2Ba,gydF4y2Ba$ 在哪里gydF4y2BaωgydF4y2Ba= {gydF4y2BaωgydF4y2Ba_我gydF4y2Ba;gydF4y2Ba我gydF4y2Ba= 1,…,gydF4y2BaTgydF4y2Ba创新}是一个矢量方差估计的观察,和gydF4y2BaTgydF4y2Ba=gydF4y2BanumObsgydF4y2Ba。gydF4y2Ba

备受gydF4y2Ba估计,数据驱动的矢量gydF4y2BaωgydF4y2Ba使用相应的模型残差(gydF4y2BaεgydF4y2Ba),他们利用gydF4y2Ba ${hgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba {xgydF4y2Ba}_{我gydF4y2Ba} {(gydF4y2Ba {XgydF4y2Ba}^{'gydF4y2Ba} XgydF4y2Ba)gydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba} {xgydF4y2Ba}_{我gydF4y2Ba}^{'gydF4y2Ba},gydF4y2Ba$ 和自由度gydF4y2Ba教育部gydF4y2Ba。gydF4y2Ba

模型名称gydF4y2Ba	重量gydF4y2Ba	参考gydF4y2Ba
`“CLM”gydF4y2Ba`	${ωgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba \frac{1gydF4y2Ba}{dgydF4y2Ba fgydF4y2Ba egydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{TgydF4y2Ba} {εgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}$	[4]gydF4y2Ba
`“HC0”gydF4y2Ba`	${ωgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}$	[6]gydF4y2Ba
`“盐酸”gydF4y2Ba`	${ωgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba \frac{TgydF4y2Ba}{dgydF4y2Ba fgydF4y2Ba egydF4y2Ba} {εgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}$	[5]gydF4y2Ba
`“HC2”gydF4y2Ba`	${ωgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba \frac{{εgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}}{1gydF4y2Ba -gydF4y2Ba {hgydF4y2Ba}_{我gydF4y2Ba}}$	[5]gydF4y2Ba
`“正”gydF4y2Ba`	${ωgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba \frac{{εgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}}{{(gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {hgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba}}$	[5]gydF4y2Ba
`“HC4”gydF4y2Ba`	${ωgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba \frac{{εgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}}{{(gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {hgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}^{{dgydF4y2Ba}_{我gydF4y2Ba}}}$ 在哪里gydF4y2Ba ${dgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba 最小值gydF4y2Ba (gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba \frac{{hgydF4y2Ba}_{我gydF4y2Ba}}{\overset{¯gydF4y2Ba}{hgydF4y2Ba}})gydF4y2Ba$	[1]gydF4y2Ba

全面创新协方差模型(换句话说,模型异方差性和自相关),指定gydF4y2Ba“基于“增大化现实”技术”gydF4y2Ba。gydF4y2Ba备受gydF4y2Ba对一个基于“增大化现实”技术(gydF4y2BapgydF4y2Ba)模型的创新和结构gydF4y2Ba $\overset{^gydF4y2Ba}{ΩgydF4y2Ba}$ 使用落后的数量,gydF4y2BapgydF4y2Ba,由名称指定的参数gydF4y2BaarLagsgydF4y2Ba和Yule-Walker方程。gydF4y2Ba

如果gydF4y2BaNumItergydF4y2Ba名称-值参数是gydF4y2Ba1gydF4y2Ba你指定gydF4y2BaInnovCov0gydF4y2Ba名称-值参数,gydF4y2Ba备受gydF4y2Ba忽略了gydF4y2BaInnovMdlgydF4y2Ba。gydF4y2Ba

例子:gydF4y2BaInnovMdl = HC0gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

`ARLagsgydF4y2Ba`- - - - - -gydF4y2Ba数量的滞后gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

的滞后包括自回归(AR)创新模型,指定为一个正整数。gydF4y2Ba

如果gydF4y2BaInnovMdlgydF4y2Ba名称-值参数是不gydF4y2Ba“基于“增大化现实”技术”gydF4y2Ba(即为对角模型),gydF4y2Ba备受gydF4y2Ba忽略了gydF4y2BaARLagsgydF4y2Ba。gydF4y2Ba

一般ARMA创新模式,创新模型转换为等价的基于“增大化现实”技术的形式通过执行以下操作之一。gydF4y2Ba

构造ARMA模型创新滞后算子多项式使用gydF4y2BaLagOpgydF4y2Ba。马,AR多项式除以多项式使用,例如,gydF4y2BamrdividegydF4y2Ba。结果是infinite-order, ARMA模型的基于“增大化现实”技术的表示。gydF4y2Ba
使用gydF4y2Baarma2argydF4y2Ba返回infinite-order的系数,基于“增大化现实”技术的ARMA模型。gydF4y2Ba

例子:gydF4y2BaARLags = 4gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`InnovCov0gydF4y2Ba`- - - - - -gydF4y2Ba最初的创新协方差gydF4y2Ba
`[]gydF4y2Ba`(默认)|gydF4y2Ba积极的向量gydF4y2Ba|gydF4y2Ba正定矩阵gydF4y2Ba|gydF4y2Ba半正定矩阵gydF4y2Ba

最初的创新协方差,指定为一个积极的向量,半正定矩阵,正定矩阵。gydF4y2Ba

InnovCov0gydF4y2Ba取代了数据驱动的创新协方差的估计(gydF4y2Ba $\overset{^gydF4y2Ba}{ΩgydF4y2Ba}$ )第一次迭代的gl。gydF4y2Ba

对角线创新协方差模型(即模型异方差性),指定一个gydF4y2BanumObsgydF4y2Ba1的向量。gydF4y2BaInnovCov0 (gydF4y2BajgydF4y2Ba)gydF4y2Ba创新的差异吗gydF4y2BajgydF4y2Ba。gydF4y2Ba
全面创新协方差模型(即模型异方差性和自相关),指定一个gydF4y2BanumObsgydF4y2Ba——- - - - - -gydF4y2BanumObsgydF4y2Ba矩阵。gydF4y2BaInnovCov0 (gydF4y2BajgydF4y2Ba,gydF4y2BakgydF4y2Ba)gydF4y2Ba协方差的创新吗gydF4y2BajgydF4y2Ba和gydF4y2BakgydF4y2Ba。gydF4y2Ba

默认情况下,gydF4y2Ba备受gydF4y2Ba使用一个数据驱动的gydF4y2Ba $\overset{^gydF4y2Ba}{ΩgydF4y2Ba}$ (见gydF4y2BaInnovMdlgydF4y2Ba名称-值参数)。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumItergydF4y2Ba`- - - - - -gydF4y2Ba的迭代次数gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

为备受实现算法的迭代次数,指定为一个正整数。gydF4y2Ba

备受gydF4y2Ba协方差估计,创新gydF4y2Ba $\overset{^gydF4y2Ba}{ΩgydF4y2Ba}$ 在每一次迭代的残余系列根据创新协方差模型gydF4y2BaInnovMdlgydF4y2Ba。然后,软件计算模型的gl估计系数。gydF4y2Ba

例子:gydF4y2BaNumIter = 10gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`ResCondgydF4y2Ba`- - - - - -gydF4y2Ba国旗规模残差gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

国旗规模备受的残差在每个迭代中,表中指定为一个值。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`真正的gydF4y2Ba`	`备受gydF4y2Ba`在每一次迭代时尺度的残差。gydF4y2Ba
`假gydF4y2Ba`	`备受gydF4y2Ba`在每一次迭代时不规模残差。gydF4y2Ba

提示gydF4y2Ba

设置gydF4y2BaResCond = truegydF4y2Ba可以提高创新协方差的估计的条件吗gydF4y2Ba $\overset{^gydF4y2Ba}{ΩgydF4y2Ba}$ 。gydF4y2Ba

数据类型:gydF4y2Ba逻辑gydF4y2Ba

`显示gydF4y2Ba`- - - - - -gydF4y2Ba命令窗口显示控制gydF4y2Ba
`“关闭”gydF4y2Ba`(默认)|gydF4y2Ba`“最终”gydF4y2Ba`|gydF4y2Ba`“通路”gydF4y2Ba`|gydF4y2Ba特征向量gydF4y2Ba

命令窗口显示控制,在这个表指定为一个值。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“最终”gydF4y2Ba`	`备受gydF4y2Ba`显示最终的估计。gydF4y2Ba
`“通路”gydF4y2Ba`	`备受gydF4y2Ba`显示每次迭代后的估计。gydF4y2Ba
`“关闭”gydF4y2Ba`	`备受gydF4y2Ba`抑制命令窗口显示。gydF4y2Ba

备受gydF4y2Ba以表格的形式显示了评估结果。gydF4y2Ba

例子:gydF4y2Ba显示= " iter "gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

`情节gydF4y2Ba`- - - - - -gydF4y2Ba控制策划的结果gydF4y2Ba
`“关闭”gydF4y2Ba`(默认)|gydF4y2Ba`“所有”gydF4y2Ba`|gydF4y2Ba`“多项式系数”gydF4y2Ba`|gydF4y2Ba`“mse”gydF4y2Ba`|gydF4y2Ba`“本身”gydF4y2Ba`|gydF4y2Ba特征向量gydF4y2Ba|gydF4y2Ba字符串向量gydF4y2Ba|gydF4y2Ba单元阵列的特征向量gydF4y2Ba

控制策划结果在每次迭代之后,在下表中指定为一个值,或者一个字符串向量或细胞特征向量的值的数组。gydF4y2Ba

检查备受算法的收敛,指定策划为每个迭代估计。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“所有”gydF4y2Ba`	`备受gydF4y2Ba`情节的估计系数,标准错误,和剩余均方误差(MSE)在不同的情节。gydF4y2Ba
`“多项式系数”gydF4y2Ba`	`备受gydF4y2Ba`情节估计系数。gydF4y2Ba
`“mse”gydF4y2Ba`	`备受gydF4y2Ba`阴谋家中小企业。gydF4y2Ba
`“关闭”gydF4y2Ba`	`备受gydF4y2Ba`没有阴谋的结果。gydF4y2Ba
`“本身”gydF4y2Ba`	`备受gydF4y2Ba`情节估计系数标准错误。gydF4y2Ba

例子:gydF4y2Ba情节= "所有"gydF4y2Ba

例子:gydF4y2Ba情节=(“多项式系数”“se”)gydF4y2Ba另外情节迭代系数估计和他们的标准错误。gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba|gydF4y2Ba细胞gydF4y2Ba

`ResponseVariablegydF4y2Ba`- - - - - -gydF4y2Ba变量gydF4y2Ba`资源描述gydF4y2Ba`用于响应gydF4y2Ba
第一个变量gydF4y2Ba`资源描述gydF4y2Ba`(默认)|gydF4y2Ba字符串向量gydF4y2Ba|gydF4y2Ba细胞特征向量的向量gydF4y2Ba|gydF4y2Ba向量的整数gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba

变量gydF4y2Ba资源描述gydF4y2Ba用于响应,指定为一个字符串向量或细胞特征向量的向量包含变量名称gydF4y2BaTbl.Properties.VariableNamesgydF4y2Ba,或者一个整数或逻辑向量代表的指标名称。所选变量必须是一个数字。gydF4y2Ba

备受gydF4y2Ba所有测试使用相同的指定响应变量。gydF4y2Ba

例子:gydF4y2BaResponseVariable =“GDP”gydF4y2Ba

例子:gydF4y2BaResponseVariable =(真的假假假的)gydF4y2Ba或gydF4y2BaResponseVariable = 1gydF4y2Ba选择第一个表变量作为响应。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba|gydF4y2Ba逻辑gydF4y2Ba|gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba细胞gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

`PredictorVariablesgydF4y2Ba`- - - - - -gydF4y2Ba变量gydF4y2Ba`资源描述gydF4y2Ba`用于预测gydF4y2Ba
字符串向量gydF4y2Ba|gydF4y2Ba细胞特征向量的向量gydF4y2Ba|gydF4y2Ba向量的整数gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba

变量gydF4y2Ba资源描述gydF4y2Ba用于预测,指定为字符串向量或细胞特征向量的向量包含变量名称gydF4y2BaTbl.Properties.VariableNamesgydF4y2Ba,或者一个整数或逻辑向量代表的指标名称。所选变量必须是一个数字。gydF4y2Ba

备受gydF4y2Ba所有测试使用相同的指定的预测。gydF4y2Ba

默认情况下,gydF4y2Ba备受gydF4y2Ba使用所有的变量gydF4y2Ba资源描述gydF4y2Ba未指定的gydF4y2BaResponseVariablegydF4y2Ba名称-值参数。gydF4y2Ba

例子:gydF4y2BaPredictorVariables =(“联合国”“CPI”)gydF4y2Ba

例子:gydF4y2BaPredictorVariables =(假真的真的假)gydF4y2Ba或gydF4y2BaDataVariables = 3 [2]gydF4y2Ba选择第二个和第三个表变量。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba|gydF4y2Ba逻辑gydF4y2Ba|gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba细胞gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`多项式系数gydF4y2Ba`——备受系数估计gydF4y2Ba
数值向量gydF4y2Ba

备受系数估计,作为一个返回gydF4y2BanumCoeffsgydF4y2Ba1数字向量。gydF4y2Ba备受gydF4y2Ba返回gydF4y2Ba多项式系数gydF4y2Ba当你提供输入gydF4y2BaXgydF4y2Ba和gydF4y2BaygydF4y2Ba。gydF4y2Ba

行gydF4y2Ba多项式系数gydF4y2Ba对应于预测矩阵列,第一行对应拦截的时候gydF4y2Ba拦截= truegydF4y2Ba。例如,在一个模型拦截,的价值gydF4y2Ba ${\overset{^gydF4y2Ba}{βgydF4y2Ba}}_{1gydF4y2Ba}$ (对应于预测gydF4y2BaxgydF4y2Ba_1gydF4y2Ba)是在位置2gydF4y2Ba多项式系数gydF4y2Ba。gydF4y2Ba

`segydF4y2Ba`——估计标准误差系数gydF4y2Ba
数值向量gydF4y2Ba

标准误差系数估计,作为一个返回gydF4y2BanumCoeffsgydF4y2Ba1数字。的元素gydF4y2BasegydF4y2Ba是gydF4y2Ba√诊断接头(EstCoeffCov))gydF4y2Ba。gydF4y2Ba备受gydF4y2Ba返回gydF4y2BasegydF4y2Ba当你提供输入gydF4y2BaXgydF4y2Ba和gydF4y2BaygydF4y2Ba。gydF4y2Ba

行gydF4y2BasegydF4y2Ba对应于预测矩阵列,第一行对应拦截的时候gydF4y2Ba拦截= truegydF4y2Ba。例如,在一个拦截模型,估计的标准误差gydF4y2Ba ${\overset{^gydF4y2Ba}{βgydF4y2Ba}}_{1gydF4y2Ba}$ (对应于预测gydF4y2BaxgydF4y2Ba_1gydF4y2Ba)是在位置2gydF4y2BasegydF4y2Ba,的平方根值的位置(2,2)gydF4y2BaEstCoeffCovgydF4y2Ba。gydF4y2Ba

`EstCoeffCovgydF4y2Ba`——协方差矩阵估计系数gydF4y2Ba
数字矩阵gydF4y2Ba

系数的协方差矩阵估计,作为一个返回gydF4y2BanumCoeffsgydF4y2Ba——- - - - - -gydF4y2BanumCoeffsgydF4y2Ba数字矩阵。gydF4y2Ba备受gydF4y2Ba返回gydF4y2BaEstCoeffCovgydF4y2Ba当你提供输入gydF4y2BaXgydF4y2Ba和gydF4y2BaygydF4y2Ba。gydF4y2Ba

行和列的gydF4y2BaEstCoeffCovgydF4y2Ba对应于预测矩阵列,第一行和列对应于拦截的时候gydF4y2Ba拦截= truegydF4y2Ba。例如,在一个拦截模型,估计的协方差gydF4y2Ba ${\overset{^gydF4y2Ba}{βgydF4y2Ba}}_{1gydF4y2Ba}$ (对应于预测gydF4y2BaxgydF4y2Ba_1gydF4y2Ba),gydF4y2Ba ${\overset{^gydF4y2Ba}{βgydF4y2Ba}}_{2gydF4y2Ba}$ (对应于预测gydF4y2BaxgydF4y2Ba_2gydF4y2Ba)在职位(2,3)和(2)gydF4y2BaEstCoeffCovgydF4y2Ba,分别。gydF4y2Ba

`CoeffTblgydF4y2Ba`——备受系数估计和标准错误gydF4y2Ba
表gydF4y2Ba

备受系数估计和标准错误,作为一个返回gydF4y2BanumCoeffsgydF4y2Ba2表。gydF4y2Ba备受gydF4y2Ba返回gydF4y2BaCoeffTblgydF4y2Ba当你提供输入gydF4y2Ba资源描述gydF4y2Ba。gydF4y2Ba

为gydF4y2BajgydF4y2Ba= 1,…,gydF4y2BanumCoeffsgydF4y2Ba、行gydF4y2BajgydF4y2Ba的gydF4y2BaCoeffTblgydF4y2Ba包含的估计系数gydF4y2BajgydF4y2Ba回归模型和标签gydF4y2BaVarNames (gydF4y2BajgydF4y2Ba)gydF4y2Ba。第一个变量gydF4y2Ba多项式系数gydF4y2Ba包含系数估计gydF4y2Ba多项式系数gydF4y2Ba第二个变量gydF4y2BaSEgydF4y2Ba包含标准的错误gydF4y2BasegydF4y2Ba。gydF4y2Ba

`CovTblgydF4y2Ba`——协方差矩阵估计系数gydF4y2Ba
表gydF4y2Ba

系数的协方差矩阵估计,作为一个返回gydF4y2BanumCoeffsgydF4y2Ba——- - - - - -gydF4y2BanumCoeffsgydF4y2Ba包含协方差矩阵估计的系数表gydF4y2BaEstCoeffCovgydF4y2Ba。gydF4y2Ba备受gydF4y2Ba返回gydF4y2BaCovTblgydF4y2Ba当你提供输入gydF4y2Ba资源描述gydF4y2Ba。gydF4y2Ba

对于每一对(gydF4y2Ba我gydF4y2Ba,gydF4y2BajgydF4y2Ba),gydF4y2BaCovTbl (gydF4y2Ba我gydF4y2Ba,gydF4y2BajgydF4y2Ba)gydF4y2Ba包含了协方差估计的系数gydF4y2Ba我gydF4y2Ba和gydF4y2BajgydF4y2Ba在回归模型中。行和变量的标签gydF4y2BajgydF4y2Ba是gydF4y2BaVarNames (gydF4y2BajgydF4y2Ba)gydF4y2Ba,gydF4y2BajgydF4y2Ba= 1,…,gydF4y2BanumCoeffsgydF4y2Ba。gydF4y2Ba

`iterPlotsgydF4y2Ba`——处理绘制图形对象gydF4y2Ba
结构图形对象的数组gydF4y2Ba

处理绘制图形对象,图形对象作为一个结构数组返回。gydF4y2BaiterPlotsgydF4y2Ba包含独特的情节标识符,您可以使用查询或修改属性的阴谋。gydF4y2Ba

iterPlotsgydF4y2Ba如果的值不可用gydF4y2Ba情节gydF4y2Ba名称-值参数是gydF4y2Ba“关闭”gydF4y2Ba。gydF4y2Ba

提示gydF4y2Ba

获得标准gydF4y2Ba广义最小二乘gydF4y2Ba(gl)估计:gydF4y2Ba
- 设置gydF4y2BaInnovCov0gydF4y2Ba名称-值协方差参数已知的创新。gydF4y2Ba
- 设置gydF4y2BaNumItergydF4y2Ba名称-值参数gydF4y2Ba1gydF4y2Ba。gydF4y2Ba
获得gydF4y2Ba加权最小二乘gydF4y2Ba(WLS)估计,设置gydF4y2BaInnovCov0gydF4y2Ba名称-值参数向量的逆权重(如创新方差估计)。gydF4y2Ba
在特定的模型和反复迭代,残差的规模差异可能产生严重条件协方差估计的创新和诱导数值不稳定。当你设置条件改善gydF4y2BaResCond = truegydF4y2Ba。gydF4y2Ba

算法gydF4y2Ba

在nonspherical创新,gl生产效率相对于OLS估计和协方差系数一致,有条件的创新协方差。的程度gydF4y2Ba备受gydF4y2Ba保持这些属性的准确性取决于模型和协方差估计的创新。gydF4y2Ba
而不是估计备受估计通常的方式,gydF4y2Ba备受gydF4y2Ba使用方法更快,更稳定,适用于rank-deficient病例。gydF4y2Ba
传统的备受方法,如Cochrane-Orcutt过程,使用低阶自回归模型。然而,这些方法使用OLS估计参数协方差矩阵的创新,在哪里gydF4y2Ba备受gydF4y2Ba使用最大似然估计(标定)gydF4y2Ba[2]gydF4y2Ba。gydF4y2Ba

引用gydF4y2Ba

[1]Cribari-Neto F。“渐近推断未知形式的异方差性。”gydF4y2Ba计算统计和数据分析gydF4y2Ba。45卷,2004年,页215 - 233。gydF4y2Ba

[2]gydF4y2Ba汉密尔顿,詹姆斯D。gydF4y2Ba时间序列分析gydF4y2Ba。普林斯顿,纽约:普林斯顿大学出版社,1994年。gydF4y2Ba

[3]gydF4y2Ba法官,G G。,W. E. Griffiths, R. C. Hill, H. Lϋtkepohl, and T. C. Lee.计量经济学的理论和实践gydF4y2Ba。纽约,纽约州:约翰·威利& Sons Inc ., 1985年。gydF4y2Ba

[4]库特纳,m . H。,C. J. Nachtsheim, J. Neter, and W. Li.应用线性统计模型gydF4y2Ba。第五。纽约:麦格劳-希尔/欧文,2005。gydF4y2Ba

[5]麦金农,j·G。,h .白色。“一些Heteroskedasticity-Consistent协方差矩阵估计改进的有限样本性质。”gydF4y2Ba计量经济学杂志gydF4y2Ba。29卷,1985年,页305 - 325。gydF4y2Ba

[6]白色,H。“Heteroskedasticity-Consistent协方差矩阵和对异方差性的直接测试。”gydF4y2Ba费雪gydF4y2Ba。48卷,1980年,页817 - 838。gydF4y2Ba

版本历史gydF4y2Ba

介绍了R2014bgydF4y2Ba

全部展开gydF4y2Ba

R2022a:gydF4y2Ba`备受gydF4y2Ba`收益估算表当你提供一个表的数据gydF4y2Ba

如果你提供一个时间序列数据的表gydF4y2Ba资源描述gydF4y2Ba,gydF4y2Ba备受gydF4y2Ba返回以下输出:gydF4y2Ba

在第一个位置,gydF4y2Ba备受gydF4y2Ba返回的表gydF4y2BaCoeffTblgydF4y2Ba包含变量的系数估计gydF4y2Ba多项式系数gydF4y2Ba和标准错误gydF4y2BaSEgydF4y2Ba行对应,贴上,gydF4y2BaVarNamesgydF4y2Ba。gydF4y2Ba
在第二个位置,gydF4y2Ba备受gydF4y2Ba返回一个包含估计协方差系数表gydF4y2BaCovTblgydF4y2Ba行和变量对应,贴上,gydF4y2BaVarNamesgydF4y2Ba。gydF4y2Ba

R2022a之前,gydF4y2Ba备受gydF4y2Ba返回输出的数字输出在单独的位置当你提供一个表输入数据。gydF4y2Ba

从R2022a开始,如果你提供一个表的输入数据,更新你的代码返回所有输出在第一个通过第三输出位置。gydF4y2Ba

[CoeffTbl, CovTbl iterPlots] =备受(资源描述、名称=值)gydF4y2Ba

如果你请求更多的输出,gydF4y2Ba备受gydF4y2Ba一个错误的问题。gydF4y2Ba

同时,利用表索引访问结果。更多细节,请参阅gydF4y2Ba访问数据表gydF4y2Ba。gydF4y2Ba

另请参阅gydF4y2Ba

功能gydF4y2Ba

fitlmgydF4y2Ba|gydF4y2BalscovgydF4y2Ba|gydF4y2BahacgydF4y2Ba|gydF4y2Baarma2argydF4y2Ba

对象gydF4y2Ba

regARIMAgydF4y2Ba

备受gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

估计备受系数和不确定性的措施gydF4y2Ba

估计备受系数和不确定性措施表数据gydF4y2Ba

为备受估计指定基于“增大化现实”技术的滞后gydF4y2Ba

使用备受估计占剩余异方差性gydF4y2Ba

估计备受系数包含ARMA模型的错误gydF4y2Ba

情节备受估计的迭代gydF4y2Ba

输入参数gydF4y2Ba

XgydF4y2Ba- - - - - -gydF4y2Ba预测数据gydF4y2BaXgydF4y2Ba数字矩阵gydF4y2Ba

ygydF4y2Ba- - - - - -gydF4y2Ba响应数据gydF4y2BaygydF4y2Ba数值向量gydF4y2Ba

资源描述gydF4y2Ba- - - - - -gydF4y2Ba结合预测和响应数据gydF4y2Ba表gydF4y2Ba|gydF4y2Ba时间表gydF4y2Ba

斧头gydF4y2Ba- - - - - -gydF4y2Ba轴的阴谋gydF4y2Ba向量的gydF4y2Ba轴gydF4y2Ba对象gydF4y2Ba

名称-值参数gydF4y2Ba

VarNamesgydF4y2Ba- - - - - -gydF4y2Ba变量名中使用gydF4y2Ba字符串向量gydF4y2Ba|gydF4y2Ba特征向量gydF4y2Ba|gydF4y2Ba细胞的字符串向量gydF4y2Ba|gydF4y2Ba细胞特征向量的向量gydF4y2Ba

拦截gydF4y2Ba- - - - - -gydF4y2Ba标志包括拦截gydF4y2Ba真正的gydF4y2Ba(默认)|gydF4y2Ba假gydF4y2Ba

ARLagsgydF4y2Ba- - - - - -gydF4y2Ba数量的滞后gydF4y2Ba1gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

InnovCov0gydF4y2Ba- - - - - -gydF4y2Ba最初的创新协方差gydF4y2Ba[]gydF4y2Ba(默认)|gydF4y2Ba积极的向量gydF4y2Ba|gydF4y2Ba正定矩阵gydF4y2Ba|gydF4y2Ba半正定矩阵gydF4y2Ba

NumItergydF4y2Ba- - - - - -gydF4y2Ba的迭代次数gydF4y2Ba1gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

ResCondgydF4y2Ba- - - - - -gydF4y2Ba国旗规模残差gydF4y2Ba假gydF4y2Ba(默认)|gydF4y2Ba真正的gydF4y2Ba

显示gydF4y2Ba- - - - - -gydF4y2Ba命令窗口显示控制gydF4y2Ba“关闭”gydF4y2Ba(默认)|gydF4y2Ba“最终”gydF4y2Ba|gydF4y2Ba“通路”gydF4y2Ba|gydF4y2Ba特征向量gydF4y2Ba

PredictorVariablesgydF4y2Ba- - - - - -gydF4y2Ba变量gydF4y2Ba资源描述gydF4y2Ba用于预测gydF4y2Ba字符串向量gydF4y2Ba|gydF4y2Ba细胞特征向量的向量gydF4y2Ba|gydF4y2Ba向量的整数gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba

输出参数gydF4y2Ba

多项式系数gydF4y2Ba——备受系数估计gydF4y2Ba数值向量gydF4y2Ba

segydF4y2Ba——估计标准误差系数gydF4y2Ba数值向量gydF4y2Ba

EstCoeffCovgydF4y2Ba——协方差矩阵估计系数gydF4y2Ba数字矩阵gydF4y2Ba

CoeffTblgydF4y2Ba——备受系数估计和标准错误gydF4y2Ba表gydF4y2Ba

CovTblgydF4y2Ba——协方差矩阵估计系数gydF4y2Ba表gydF4y2Ba

iterPlotsgydF4y2Ba——处理绘制图形对象gydF4y2Ba结构图形对象的数组gydF4y2Ba

更多关于gydF4y2Ba

可行的广义最小二乘gydF4y2Ba

广义最小二乘gydF4y2Ba

加权最小二乘gydF4y2Ba

提示gydF4y2Ba

算法gydF4y2Ba

引用gydF4y2Ba

版本历史gydF4y2Ba

R2022a:gydF4y2Ba备受gydF4y2Ba收益估算表当你提供一个表的数据gydF4y2Ba

另请参阅gydF4y2Ba

功能gydF4y2Ba

对象gydF4y2Ba

主题gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测数据gydF4y2BaXgydF4y2Ba
数字矩阵gydF4y2Ba

`ygydF4y2Ba`- - - - - -gydF4y2Ba响应数据gydF4y2BaygydF4y2Ba
数值向量gydF4y2Ba

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba结合预测和响应数据gydF4y2Ba
表gydF4y2Ba|gydF4y2Ba时间表gydF4y2Ba

`斧头gydF4y2Ba`- - - - - -gydF4y2Ba轴的阴谋gydF4y2Ba
向量的gydF4y2Ba`轴gydF4y2Ba`对象gydF4y2Ba

`VarNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量名中使用gydF4y2Ba
字符串向量gydF4y2Ba|gydF4y2Ba特征向量gydF4y2Ba|gydF4y2Ba细胞的字符串向量gydF4y2Ba|gydF4y2Ba细胞特征向量的向量gydF4y2Ba

`拦截gydF4y2Ba`- - - - - -gydF4y2Ba标志包括拦截gydF4y2Ba
`真正的gydF4y2Ba`(默认)|gydF4y2Ba`假gydF4y2Ba`

`ARLagsgydF4y2Ba`- - - - - -gydF4y2Ba数量的滞后gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`InnovCov0gydF4y2Ba`- - - - - -gydF4y2Ba最初的创新协方差gydF4y2Ba
`[]gydF4y2Ba`(默认)|gydF4y2Ba积极的向量gydF4y2Ba|gydF4y2Ba正定矩阵gydF4y2Ba|gydF4y2Ba半正定矩阵gydF4y2Ba

`NumItergydF4y2Ba`- - - - - -gydF4y2Ba的迭代次数gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`ResCondgydF4y2Ba`- - - - - -gydF4y2Ba国旗规模残差gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`显示gydF4y2Ba`- - - - - -gydF4y2Ba命令窗口显示控制gydF4y2Ba
`“关闭”gydF4y2Ba`(默认)|gydF4y2Ba`“最终”gydF4y2Ba`|gydF4y2Ba`“通路”gydF4y2Ba`|gydF4y2Ba特征向量gydF4y2Ba

`PredictorVariablesgydF4y2Ba`- - - - - -gydF4y2Ba变量gydF4y2Ba`资源描述gydF4y2Ba`用于预测gydF4y2Ba
字符串向量gydF4y2Ba|gydF4y2Ba细胞特征向量的向量gydF4y2Ba|gydF4y2Ba向量的整数gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba

`多项式系数gydF4y2Ba`——备受系数估计gydF4y2Ba
数值向量gydF4y2Ba

`segydF4y2Ba`——估计标准误差系数gydF4y2Ba
数值向量gydF4y2Ba

`EstCoeffCovgydF4y2Ba`——协方差矩阵估计系数gydF4y2Ba
数字矩阵gydF4y2Ba

`CoeffTblgydF4y2Ba`——备受系数估计和标准错误gydF4y2Ba
表gydF4y2Ba

`CovTblgydF4y2Ba`——协方差矩阵估计系数gydF4y2Ba
表gydF4y2Ba

`iterPlotsgydF4y2Ba`——处理绘制图形对象gydF4y2Ba
结构图形对象的数组gydF4y2Ba

R2022a:gydF4y2Ba`备受gydF4y2Ba`收益估算表当你提供一个表的数据gydF4y2Ba