文档帮助中心
向量自回归的显示估计结果(VAR)模型
总结(MDL)
结果=总结(Mdl)
例
总结(Mdl)显示VAR的摘要(p)模型Mdl。
总结(Mdl)
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。
估计
总结
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)。
varm
结果=总结(Mdl)返回下列变量之一,并且不打印到命令窗口。
结果=总结(Mdl)
结果
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。
全部收缩
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。
Data_USEconModel
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。
为NaN
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。
EstMdl
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
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。
消费者价格指数
UNRATE
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。
estMdlResults
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。
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)。
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。
描述
SampleSize
NumEstimatedParameters
LogLikelihood
AIC
BIC
表格
协方差
Mdl.NumSeries
ÿ
关联
总结使用mvregress实行多元正态分布,最大似然估计。有关估计和标准错误的详细信息,请参阅多元回归模型的估计(统计和机器学习工具箱)。
mvregress
您的系统中存在此示例的修改版本。你想打开这个版本吗?
您单击对应于该MATLAB命令的链接:
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,以获得翻译的内容,其中可看到当地的活动和优惠。根据您的位置,我们建议您选择:。
你也可以从以下列表中选择一个网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。
请联系您当地的办事处