生成向量自回归(VAR)模型预测误差方差分解(FEVD)
来估计或绘制动态的FEVD线性模型,其特征在于由结构,自回归,或移动平均系数矩阵,参见armafevd
。
该FEVD提供关于每个创新的影响系统中的所有反应变量的预测误差方差的相对重要性的信息。与此相反,脉冲响应函数(IRF)迹线的创新冲击一个变量在所述系统中的所有变量的响应的影响。为了估计VAR模型的IRF特征在于varm
模型对象,看IRF
。
如果方法
是“使正交化”
, 然后fevd
正交化的创新冲击通过应用模型协方差矩阵的Cholesky分解Mdl.Covariance
。正交化创新冲击的协方差为单位矩阵,各变量的FEVD之和为1(即沿任意行的和)分解
是一个)。因此,正交化的FEVD表示系统中各种冲击引起的预测误差方差的比例。然而,正交化FEVD一般取决于变量的顺序。
如果方法
是“广义”
,然后将所得FEVD是不变的变量的顺序,并且不基于正交变换。此外,所得FEVD款项一项所述的特定变量,只有当Mdl.Covariance
是对角线[4]。因此,广义FEVD表示等式明智冲击模型中的响应变量的预测误差方差的贡献。
如果Mdl.Covariance
是对角矩阵,然后将所得的广义正交和FEVDs是相同的。否则,所得的广义正交和FEVDs是相同的,只有当第一可变冲击的所有变量(即,在其他条件相同的,这两种方法得到相同的值分解(:,1,:)
)。
为NaN
价值观Y0
,X
和Ë
表示丢失的数据。fevd
删除由列表删除明智缺少根据这些参数数据。每个参数,如果行包含至少一个为NaN
, 然后fevd
删除整行。
清单明智的缺失降低了样本的大小,可以创建不规则的时间序列,并可能导致Ë
和X
是不同步的。
该预测数据X
代表的外源性多元时间序列的单一路径。如果您指定X
和VAR模型MDL
有回归成分(Mdl.Beta
不是一个空数组),fevd
相同的外源数据适用于用于区间估计的所有路径。
如果不指定残差Ë
, 然后fevd
进行蒙特卡洛模拟通过执行此过程:
如果指定残差Ë
, 然后fevd
进行通过执行此过程非参数自举:
重新取样,更换,采样大小
残差的Ë
。执行这一步骤NumPaths
次获得NumPaths
路径。
自举居中残差的每个路径。
过滤每一个路径的中心,引导残差通过MDL
获得NumPaths
长度的自举响应路径采样大小
。
完成步骤2通过蒙特卡罗模拟的4,但替换为自举响应路径中的模拟响应路径。
[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]Lutkepohl, H。脉冲响应函数的渐近分布和向量自回归模型的预测误差方差分解。经济与统计评论。卷。72,1990,第116-125。
[3]Lutkepohl, H。多时间序列分析的新介绍。纽约:施普林格出版社,2007年。
[4]Pesaran,H. H.,和Y信。“线性多变量模型广义脉冲响应分析。”经济上的字母。卷。58,1998年,第17-29。