帮助中心
将向量自回归(VAR)模型与数据进行拟合
EstMdl =估计(Mdl, Y)
EstMdl =估计(MDL,Y,名称,值)
[EstMdl, EstSE] =估计(___)
[EstMdl EstSE logL E] =估计(___)
例子
EstMdl=估计(Mdl,Y)返回一个完全指定的VAR(p)模型。该模型存储了拟合VAR(p)模型Mdl所观察到的响应多元系列Y使用最大似然。
EstMdl=估计(Mdl,Y)
EstMdl
Mdl
Y
EstMdl=估计(Mdl,Y,名称,值)使用由一个或多个名称值对参数中指定的附加选项。例如,您可以指定样品前体反应或外源性的预测数据。
EstMdl=估计(Mdl,Y,名称,值)
名称,值
(EstMdl,EstSE)=估计(___)返回使用任何在前面的语法的输入参数所估计的参数的估计,渐近标准误差。
(EstMdl,EstSE)=估计(___)
EstSE
(EstMdl,EstSE,logL,E)=估计(___)返回优化的loglikelihood目标函数值(logL)和多元残差(E)。
(EstMdl,EstSE,logL,E)=估计(___)
logL
E
全部折叠
将VAR(4)模型与消费者价格指数(CPI)和失业率数据进行拟合。
加载Data_USEconModel数据集。
Data_USEconModel
负载Data_USEconModel
在不同的地块上绘制两个系列。
图;情节(DataTable.Time,DataTable.CPIAUCSL);标题('消费者价格指数');ylabel (“指数”);包含(“日期”);
图;情节(DataTable.Time DataTable.UNRATE);标题(“失业率”);ylabel (“百分比”);包含(“日期”);
通过将CPI转化为一系列的增长率来稳定CPI。通过从失业率系列中删除第一个观察值来同步两个系列。
rcpi = price2ret (DataTable.CPIAUCSL);unrate = DataTable.UNRATE(2:结束);
使用简写语法创建默认的VAR(4)模型。
Mdl = varm (2、4)
Mdl = varm with properties: Description: "二维VAR(4) Model"系列名称:"Y1" "Y2" NumSeries: 2 P: 4 Constant:[2×1 vector of NaNs] AR:{2×2 matrices of NaNs} at[1 2 3…][2×1 0向量]Beta:[2×0矩阵]协方差:[2×2矩阵NaNs]
Mdl是一个varm模型对象。所有属性包含南值对应于要估计的给定数据的参数。
varm
南
估计使用整个数据集模型。
EstMdl =估计(MDL,[RCPI unrate])
EstMdl = varm with properties: Description: "AR- stationary 2- dimensional VAR(4) Model" SeriesNames: "Y1" "Y2" NumSeries: 2 P: 4 Constant: [0.00171639 0.316255]' AR:{2×2 matrices} at[1 2 3…[2×1 0向量]Beta:[2×0矩阵]协方差:[2×2矩阵]
EstMdl是一个估计varm模型对象。它是完全指定的,因为所有参数都有已知的值。说明自回归多项式是平稳的。
显示来自评估的汇总统计信息。
总结(EstMdl)
AR-2固定维VAR(4)模型有效样本规模:241估计的参数的数量:18对数似然:811.361 AIC:-1586.72 BIC:-1524值StandardError的TStatistic p值___________ _____________ __________ __________常数(1)0.0017164 0.0015988 1.0735 0.28303恒(2)0.31626 0.091961 3.439 0.0005838 AR {1}(1,1)0.30899 0.063356 4.877 1.0772e-06 AR {1}(2,1)-4.4834 3.6441 -1.2303 0.21857 AR {1}(1,2)-0.0031796 0.0011306-2.8122 0.004921 AR {1}(2,2)1.3433 0.065032 20.656 8.546e-95 AR {2}(1,1)0.22433 0.069631 3.2217 0.0012741 AR {2}(2,1)7.1896 4.005 1.7951 0.072631 AR {2}(1,2)0.0012375 0.0018631 0.6642 0.50656 AR {2}(2,2)-0.26817 0.10716 -2.5025 0.012331 AR {3}(1,1)0.35333 0.068287 5.1742 2.2887e-07 AR {3}(2,1)1.487 3.92770.37858 0.705 AR {3}(1,2)0.0028594 0.0018621 1.5355 0.12465 AR {3}(2,2)-0.22709 0.1071 -2.1202 0.033986 AR {4}(1,1)-0.047563 0.069026 -0.68906 0.49079 AR {4}(2,1)8.6379 3.9702 2.1757 0.029579 AR {4}(1,2)-0.00096323 0.0011142 -0.86448 0.38733 AR {4}(2,2)0.076725 0.064088 1.1972 0.23123创新协方差矩阵:0.0000 -0.0002 -0.0002 0.1167创新相关矩阵:1.0000 -0.0925 -0.0925 1.0000
将VAR(4)模型与消费者价格指数(CPI)和失业率数据进行拟合。估计样本开始于1980年第一季度。
识别与估计样本的开始相对应的索引。
estIdx = DataTable.Time(2:end) >“1979年12月31日”;
MDL = varm(2,4);
估计使用估计样本模型。指定估计样品样品前数据之前所有观测。显示完整的估计总结。
Y0 = [rcpi(~estIdx) unrate(~estIdx)];EstMdl =估计(Mdl,[rcpi(estIdx) unrate(estIdx)],“Y0”,Y0,'显示',“充分”);
AR-2固定维VAR(4)模型有效样本规模:117估计的参数的数量:18对数似然:419.837 AIC:-803.674 BIC:-753.955值StandardError的TStatistic p值__________ _____________ __________ __________常数(1)0.003564 0.0024697 1.4431 0.14898恒(2)0.29922 0.11882 2.5182 0.011795 AR {1}(1,1)0.022379 0.092458 0.24204 0.80875 AR {1}(2,1)-2.6318 4.4484 -0.59163 0.5541 AR {1}(1,2)-0.0082357 0.0020373 -4.0425 5.2884E-05 AR {1}(2,2)1.2567 0.09802 12.82 1.2601e-37 AR {2}(1,1)0.20954 0.10182 2.0581 0.039584 AR {2}(2,1)10.106 4.8987 2.063 0.039117 AR {2}(1,2)0.0058667 0.003194 1.8368 0.066236 AR {2}(2,2)-0.14226 0.15367 -0.92571 0.35459 AR {3}(1,1)0.56095 0.098691 5.6839 1.3167e-08 AR {3}(2,1)0.44406 4.74830.093518 0.92549 AR {3}(1,2)0.0049062 0.003227 1.5204 0.12841 AR {3}(2,2)-0.040037 0.15526 -0.25787 0.7965 AR {4}(1,1)0.046125 0.11163 0.41321 0.67945 AR {4}(2,1)6.758 5.3707 1.2583 0.20827 AR {4}(1,2)-0.0030032 0.002018 -1.4882 0.1367 AR {4}(2,2)-0.14412 0.097094 -1.4843 0.13773创新协方差矩阵:0.0000 -0.0003 -0.0003 0.0790创新相关矩阵:1.0000 -0.1686 -0.1686 1.0000
因为VAR模型的程度p是4,估计只使用了最后四个观察值Y0presample。
估计
Y0
估计VAR(4)居民消费价格指数(CPI),失业率,以及实际国内生产总值(GDP)的模型。包括含有当前季度的线性回归分量和政府消费支出和投资(GCE)的过去四个季度。
加载Data_USEconModel数据集,计算实际GDP。
负载Data_USEconModel数据表。RGDP = DataTable.GDP. / DataTable.GDPDEF * 100;
在单独的图上绘制所有变量。
图;次要情节(2、2、1)情节(DataTable.Time DataTable.CPIAUCSL);ylabel (“指数”);标题('消费者价格指数');副区(2,2,2)情节(DataTable.Time,DataTable.UNRATE);ylabel (“百分比”);标题(“失业率”);次要情节(2,2,3)情节(DataTable.Time DataTable.RGDP);ylabel (“输出”);标题(“实际国内生产总值”次要情节(2,2,4)情节(DataTable.Time DataTable.GCE);ylabel (数十亿美元的);标题(“政府支出”)
通过将CPI、GDP和GCE系列转化为一系列的增长率来稳定CPI、GDP和GCE系列。通过删除第一个观察值,使失业率序列与其他序列同步。
数据源= {“CPIAUCSL”“RGDP”“全球教育运动”};数据= varfun(@ price2ret,数据表,“数据源”,inputVariables);Data.Properties.VariableNames = inputVariables;Data.UNRATE = DataTable.UNRATE(2:结束);
通过四个滞后值展开GCE率系列,其包括它的当前值的矩阵和向上。去除全球教育运动从变量数据。
全球教育运动
数据
rgcelag4 = lagmatrix (Data.GCE, 0:4);数据。全球教育运动= [];
使用简写语法创建默认的VAR(4)模型。在创建模型时,您不必指定回归组件。
MDL = varm(3,4);
使用整个样本估计模型。指定GCE率矩阵作为回归组件的数据。提取标准误差和loglikelihood值。
[EstMdl,EstSE,logL] =估计(MDL,Data.Variables,“X”,rgcelag4);
显示回归系数矩阵。
EstMdl.Beta
ans =3×50.0777 -0.0892 -0.0685 -0.0181 0.0330 0.1450 -0.0304 0.0579 -0.0559 0.0185 -2.8138 -0.1636 0.3905 1.1799 -2.3328
EstMdl.Beta是一个3×5矩阵。行对应于响应系列,列对应于预测器。
显示对应于系数估计的标准误差的矩阵。
EstSE.Beta
ans =3×50.0250 0.0272 0.0275 0.0274 0.0243 0.0368 0.0401 0.0405 0.0403 0.0358 1.4552 1.5841 1.6028 1.5918 1.4145
EstSE.Beta是符合EstMdl.Beta。
显示loglikelihood值。
logL = 1.7056 e + 03
含有未知参数值,VAR模型指定为varm返回的模型对象varm。
南属性中的值元素表示未知的、可估计的参数。指定的元素表示模型估计中参数的等式约束。创新协方差矩阵Mdl.Covariance不能混合南值和实数;你必须完全指定的协方差或者必须是完全未知(南(Mdl.NumSeries))。
Mdl.Covariance
南(Mdl.NumSeries)
观察多元响应系列到估计适合的模式,指定为numobs-通过-numseries数字矩阵。
numobs
numseries
numobs为样本容量。numseries是(响应变量的数目Mdl.NumSeries)。
Mdl.NumSeries
行对应于观察值,最后一行包含最新的观察值。
列对应于单个响应变量。
Y表示预采样响应系列的延续Y0。
数据类型:双
双
指定可选的逗号分隔的对名称,值参数。的名字参数名和价值是对应的值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数名1,值1,...,NameN,值N。
的名字
价值
名1,值1,...,NameN,值N
Y0, Y0, X, X
X
“Y0”
样品前体的反应以启动模型估计,指定为逗号分隔的一对组成的“Y0”和一个numpreobs-通过-numseries数字矩阵。
numpreobs
numpreobs是预充足观测值的个数。
行对应于预充足的观察,最后一行包含最新的观察。Y0至少Mdl.P行。如果提供的行数超过所需,估计使用了最新的Mdl.P观察。
Mdl.P
列必须与in中的响应系列对应Y。
默认,估计使用Y (1: Mdl.P,:)作为样品前的观察,然后符合模型Y (Mdl。P + 1):最终,:)。这一行为减少了有效样本量。
Y (1: Mdl.P,:)
Y (Mdl。P + 1):最终,:)
“X”
模型中回归组件的预测数据,指定为逗号分隔对“X”和包含数字矩阵numpreds列。
numpreds
numpreds是预测变量的数目。
行对应于观察值,最后一行包含最新的观察值。估计在预采样期间不使用回归组件。X必须至少有尽可能多的观察为是在样品前期后使用。
如果您指定Y0,然后X至少numobs行(见Y)。
否则,X至少numobs- - - - - -Mdl.P对预取样去除的观察。
在这两种情况下,如果您提供的行数超过所需,估计只使用最新的观测结果。
列对应于单个预测变量。所有预测变量都存在于每个响应方程的回归分量中。
默认,估计不包括在回归部件,而不管其存在的Mdl。
'显示'
“关闭”
“表”
“充分”
估计信息显示类型,指定为逗号分隔的一对组成的'显示'和表中的一个值。
例:“显示”,“全部”
“显示”,“全部”
数据类型:字符串|烧焦
字符串
烧焦
“MaxIterations”
1000
允许的最大迭代次数,指定为由…组成的逗号分隔对“MaxIterations”和一个正的数字标量。
估计分派MaxIterations来mvregress。
MaxIterations
mvregress
南值Y,Y0,X表明缺失值。估计通过列表删除从数据中删除缺失的值。
对于样品前,估计删除至少包含一个的任何行南。
在估计样本,估计删除连接的数据矩阵的任何行(X, Y)至少包含一个南。
(X, Y)
这种数据缩减减少了有效样本容量。
估计VAR (p)模型,作为a返回varm模型对象。EstMdl是完全指定的varm模型。
估计,所估计的参数的渐近标准误差,返回包含该表中的字段的结构阵列。
常数
EstMdl.Constant
基于“增大化现实”技术
EstMdl.AR
β
趋势
EstMdl.Trend
如果估计通过任何参数固定到一个值,那么相应的这些参数的标准误差是估计期间应用于等式约束0。
0
优化的对数似然目标函数值,返回一个数字标。
从拟合模型多元残差,返回包含数值矩阵numseries列。
如果您指定Y0,然后E有numobs行(见Y)。
否则,E有numobs- - - - - -Mdl.P行来解释预样本删除。
[1]汉密尔顿,j . D。时间序列分析。普林斯顿,NJ:普林斯顿大学出版社,1994年。
[2]约翰森S.协整向量自回归模型中基于概率的推理。牛津:牛津大学出版社,1995。
[3]Juselius, K。协整VAR模型。牛津:牛津大学出版社,2006年。
[4]Lutkepohl, H。新介绍多时间序列分析。柏林:施普林格出版社,2005年。
过滤
预测
推断出
模拟
总结
VECM
这个例子的修改版本的系统上存在。你要打开这个版本呢?
你点击了一个链接,对应于这个MATLAB命令:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。金宝app
选择一个网站来获取可用的翻译内容,并查看本地事件和报价。根据你的位置,我们建议你选择:。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站表现。其他MathWorks国家站点不适合来自您所在位置的访问。
请联系您当地的办事处