总结

向量自回归的显示估计结果（VAR）模型

折叠所有页面

句法

总结（MDL）

结果=总结(Mdl)

描述

例

总结（Mdl）显示VAR的摘要（p)模型Mdl。

如果Mdl是估计VAR模型由归国估计，然后总结打印估计结果到MATLAB^®命令窗口。该显示器包括参数估计的表与对应的标准误差，Ť统计数据,p- 值。总结还包括对数似然，赤池信息量准则（AIC），和贝叶斯信息准则（BIC）的模型拟合统计，以及所估计的协方差的创新和相关矩阵。
如果Mdl是一种不可估量的VAR模型由归国varm，然后总结打印标准对象显示（同显示器varm模型创建过程中打印）。

例

结果=总结(Mdl）返回下列变量之一，并且不打印到命令窗口。

如果Mdl是估计的VAR模型，然后结果是一个包含估计结果的结构。
如果Mdl是不可估量的VAR模型，然后结果是varm模型对象，它等于Mdl。

例子

全部收缩

估计VAR（4）模型

打开生活的脚本

飞度VAR（4）模型的居民消费价格指数（CPI）和失业率数据。

加载Data_USEconModel数据集。

加载Data_USEconModel

在不同的地块上绘制两个系列。

数字;情节（DataTable.Time，DataTable.CPIAUCSL）;标题（“消费者价格指数”）;ylabel（“指数”）;xlabel（'日期'）;

数字;情节（DataTable.Time，DataTable.UNRATE）;标题（“失业率”）;ylabel（'百分'）;xlabel（'日期'）;

通过将其转换为一系列增长率的稳定CPI。通过从失业率系列的第一观察同步两大系列。

RCPI = price2ret（DataTable.CPIAUCSL）;unrate = DataTable.UNRATE（2：结束）;

创建使用语法速记默认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varm模型对象。所有属性包含为NaN值对应于待估计给定的数据参数。

估计使用整个数据集模型。

EstMdl =估计值(Mdl，[rcpi unrate])

EstMdl = varm与属性：描述： “AR-固定2维VAR（4）模型” SeriesNames： “Y1”， “Y2” NumSeries：2，P：4常数：[0.00171639 0.316255]” AR：{2×2矩阵}在滞后[1 2 3 ...和1更多]趋势：[零的2×1向量]贝塔：[2×0矩阵]协方差：[2×2矩阵]

EstMdl是一个估计varm模型对象。它完全指定的，因为所有的参数都具有已知值。该说明指出自回归多项式是静止的。

显示来自评估的汇总统计信息。

总结（EstMdl）

AR-Stationary 2-Dimensional VAR(4) Model Effective Sample Size: 241 Number of Estimated Parameters: 18 LogLikelihood: 811.361 AIC: -1586.72 BIC:-1524年价值StandardError TStatistic PValue ___________ _________________ __________ __________常数(1)0.0017164 0.0015988 1.0735 0.28303常数(2)0.31626 0.091961 3.439 0.0005838基于“增大化现实”技术的{1}(1,1)0.30899 0.063356 4.877 1.0772 e-06 AR{1}(2, 1) -4.4834 3.6441 -1.2303 0.21857基于“增大化现实”技术的{1}(1、2)-0.0031796 0.0011306 -2.8122 0.004921基于“增大化现实”技术的{1}(2,2)1.3433 0.065032 20.656 8.546 e - 95基于“增大化现实”技术的{2}(1,1)0.22433 0.069631 3.2217 0.0012741基于“增大化现实”技术的{2}(2,1)7.1896 4.005 1.7951 0.072631基于“增大化现实”技术的{2}(1、2)0.0012375 0.0018631 0.6642 0.50656基于“增大化现实”技术的{2}(2,2)-0.26817 0.10716 -2.5025 0.012331 AR {3} (1,1) 0.35333 0.068287 5.1742 2.2887 e-07 AR {3} (2, 1) 1.487 3.9277 0.37858 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

比较几个VAR模型的适用性

打开生活的脚本

考虑消费者价格指数(CPI)和失业率的4个VAR模型:VAR(0)、VAR(1)、VAR(4)和VAR(8)。使用历史数据，估计每一个，然后使用产生的BIC对模型进行比较。

加载Data_USEconModel数据集。为消费者物价指数(消费者价格指数）和失业率（UNRATE）系列。从系列的开头删除任何遗漏值。

加载Data_USEconModelCPI = DataTable.CPIAUCSL;unrate = DataTable.UNRATE;IDX =所有（〜isnan（[CPI unrate]），2）;CPI = CPI（IDX）;unrate = unrate（IDX）;

通过将CPI转化为一系列的增长率来稳定CPI。通过从失业率系列的第一观察同步两大系列。

RCPI = price2ret（CPI）;unrate = unrate（2：结束）;

在一个循环：

使用简写语法创建一个VAR模型。
估计VAR模型。储备的最大值ppresample观测。
存储估计结果。

numseries = 2;P = [0 1 4 8];estMdlResults =细胞（numel（P），1）;预分配％Y0 = [rcpi(1:max(p)) unrate(1:max(p))];Y = [rcpi ((max (p) + 1):结束)unrate ((max (p) + 1):结束)];对于j = 1:numel(p) Mdl = varm(numseries,p(j));EstMdl =估计(Mdl Y'Y0',Y);estMdlResults {j} =总结(EstMdl);结束

estMdlResults是一个4×1的单元数组，其中包含每个模型的估计结果。

从每组结果中提取BIC。

BIC = cellfun（@（X）x.BIC，estMdlResults）

BIC =4×110³×-0.7153 -1.3678 -1.4378 -1.3853

在所考虑的模型中，最低BIC所对应的模型最适合。因此，VAR(4)是最佳拟合模型。

输入参数

全部收缩

`Mdl`-VAR模型
`varm`模型对象

VAR模型，指定为varm返回的模型对象估计，varm，要么varm（一个结果功能）。

输出参数

全部收缩

`结果`- 模型汇总
结构阵列|`varm`模型对象

模型概要，返回为结构阵列或varm模型对象。

如果Mdl是估计的VAR模型，然后结果是一个结构数组，其中包含该表中的字段。

领域	描述
`描述`	模型概要描述（字符串）
`SampleSize`	有效样本大小(数值标量)
`NumEstimatedParameters`	估计参数个数(数值标量)
`LogLikelihood`	优化的对数似然值(数值标量)
`AIC`	Akaike信息判据(数字标量)
`BIC`	贝叶斯信息标准（数字标）
`表格`	参数估计值与相应的标准误差，Ť统计（估计除以标准误差），和p值(假设正常);具有与模型参数对应的行的表
`协方差`	估算的剩余协方差矩阵（最大似然估计），一个`Mdl.NumSeries`——- - - - - -`Mdl.NumSeries`带有行和列的数值矩阵对应于按数据排序的响应方程中的创新点`ÿ`
`关联`	估计残差相关矩阵，其维数对应的维数为`协方差`