生成向量自回归(VAR)模型脉冲响应
要估计或绘制以结构、自回归或移动平均系数矩阵为特征的动态线性模型的IRF,请参见armairf
。
IRFs将创新冲击对系统中所有变量的响应的影响追踪到一个变量。相反,预测误差方差分解(FEVD)提供了关于每个创新在影响系统中所有变量方面的相对重要性的信息。以a为特征的VAR模型的FEVD估计varm
模型对象,看fevd
。
为NaN
值Y0
,X
,Ë
表明缺失的数据。IRF
通过列表删除从这些参数中删除丢失的数据。如果一行至少包含一个参数,则为每个参数为NaN
, 然后IRF
删除整个行。
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。
如果方法
是“使正交化”
,则得到的IRF取决于时间序列模型中变量的顺序。如果方法
是“广义”
,则得到的IRF对变量的顺序是不变的。因此,这两种方法通常产生不同的结果。
如果Mdl.Covariance
为对角矩阵,则所得的广义irf与正交化irf相同。否则,仅当第一个变量冲击所有变量时(即,所有其他变量相同,两种方法产生相同的值),得到的广义和正交化IRFs是相同的响应(:1:)
)。
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
以及VAR模型Mdl
有回归组件(Mdl.Beta
不是一个空数组),IRF
将相同的外生数据应用于用于置信区间估计的所有路径。
如果不指定残差Ë
, 然后IRF
按照以下步骤进行蒙特卡罗模拟:
如果你指定残差Ë
, 然后IRF
进行通过执行此过程非参数自举:
重新取样,更换,SampleSize
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SampleSize
。
完成蒙特卡罗模拟的步骤2到步骤4,但是将模拟的响应路径替换为引导响应路径。
[1]汉密尔顿,j . D。时间序列分析。普林斯顿:普林斯顿大学出版社,1994。
[2]Lutkepohl, H。多时间序列分析的新介绍。纽约,纽约州:斯普林格-弗拉格出版社,2007年。
[3]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。1998年第58卷,第17-29页。