主要内容

总结

显示矢量误差校正(VEC)模型的估计结果

折叠所有页面

语法

总结(Mdl)
results = summary (Mdl)

描述

例子

总结(Mdl）显示VEC的摘要(p- 1)模型Mdl。

  • 如果Mdl是估计的VEC模型返回估计,然后总结打印估计结果到MATLAB®命令窗口。显示包括估计摘要和带有相应标准误差的参数估计表，t统计数据,p值。估计摘要包括拟合统计量，如赤池信息准则(AIC)，以及估计的创新协方差和相关矩阵。

  • 如果Mdl是一个未估计的VEC模型返回结果,然后总结打印标准对象显示(与结果在模型创建期间打印)。

例子

结果=总结(Mdl）返回以下变量之一，不打印到命令窗口。

  • 如果Mdl是估计的VEC模型，那么结果是包含估计结果的结构。

  • 如果Mdl是一个未估计的VEC模型，那么结果是一个结果的模型对象Mdl。

例子

全部折叠

打开实时脚本

考虑以下七个宏观经济系列的VEC模型，然后将模型与数据拟合。

  • 国内生产总值(GDP)

  • GDP隐性价格平减指数

  • 员工薪酬

  • 所有人的非农业务部门工作时间

  • 实际联邦基金利率

  • 个人消费支出

  • 国内私人投资总额

假设协整秩为4和一个短期项是合适的，即考虑VEC(1)模型。

加载Data_USEconVECModel数据集。

负载Data_USEconVECModel

有关数据集和变量的更多信息，请输入描述在命令行。

通过在单独的图上绘制序列来确定是否需要对数据进行预处理。

图;次要情节(2、2、1)情节(FRED.Time FRED.GDP);标题(“本地生产总值”);ylabel (“指数”);包含(“日期”);次要情节(2 2 2)情节(FRED.Time FRED.GDPDEF);标题(“GDP平减指数”);ylabel (“指数”);包含(“日期”);次要情节(2,2,3)情节(FRED.Time FRED.COE);标题(“已付雇员补偿”);ylabel (“数十亿美元”);包含(“日期”);次要情节(2,2,4)情节(FRED.Time FRED.HOANBS);标题(“非农业行业营业时间”);ylabel (“指数”);包含(“日期”);

图中包含4个轴对象。标题为国内生产总值的坐标轴对象1包含一个类型为行的对象。标题为GDP Deflator的Axes对象2包含一个类型为line的对象。标题为Paid Compensation of Employees的Axes对象3包含一个类型为line的对象。标题为非农业务部门小时的Axes对象4包含一个类型为line的对象。

图;次要情节(2、2、1)情节(FRED.Time FRED.FEDFUNDS);标题(“联邦基金利率”);ylabel (“百分比”);包含(“日期”);次要情节(2 2 2)情节(FRED.Time FRED.PCEC);标题(“消费支出”);ylabel (“数十亿美元”);包含(“日期”);次要情节(2,2,3)情节(FRED.Time FRED.GPDI);标题(“国内私人投资总额”);ylabel (“数十亿美元”);包含(“日期”);

图中包含3个轴对象。标题为“联邦基金利率”的Axes对象1包含一个类型为line的对象。标题为Consumption expenditure的Axes对象2包含一个类型为line的对象。标题为“国内私人投资总额”的坐标轴对象3包含一个类型为line的对象。

通过应用对数变换，稳定除联邦基金利率外的所有系列。将生成的系列按100缩放，以便所有系列都在相同的比例上。

弗雷德。GDP = 100*log(FRED.GDP);弗雷德。GDPDEF = 100*log(FRED.GDPDEF);弗雷德。COE = 100*log(FRED.COE);弗雷德。HOANBS = 100*log(FRED.HOANBS);弗雷德。PCEC = 100*log(FRED.PCEC); FRED.GPDI = 100*log(FRED.GPDI);

使用简写语法创建VEC(1)模型。指定变量名。

Mdl = vecm(7,4,1);Mdl。SeriesNames = FRED.Properties.VariableNames
Mdl = vecm与属性:说明:“7维秩= 4 VEC(1)模型与线性时间趋势”SeriesNames:“GDP”“GDPDEF”“COE”…和4更NumSeries: 7等级:4 P: 2常数:[7×1的向量nan]调整:[7×4矩阵nan)协整:[7×4矩阵nan)影响:[7×7矩阵nan] CointegrationConstant:[4×1的向量nan] CointegrationTrend:[4×1的向量nan]短期的:{7×7矩阵nan}在滞后[1]的趋势:[7×1的向量nan]β:协方差矩阵[7×0]:[7×7矩阵nan)

Mdl是一个结果模型对象。所有属性包含南值对应于给定数据要估计的参数。

使用整个数据集和默认选项估计模型。

EstMdl =估计(Mdl,FRED.Variables)
EstMdl = vecm属性:描述:“7维Rank = 4 VEC(1)模型”SeriesNames:“GDP”“GDPDEF”“COE”…和4更多NumSeries: 7排名:4 P: 2常量:[14.1329 8.77841 -7.20359…调整:[7×4矩阵]协整:[7×4矩阵]影响:[7×7矩阵]协整常量:[-28.6082 109.555 -77.0912…and 1 more]' CointegrationTrend: [4×1 vector of zero] ShortRun: {7×7 matrix} at lag[1]趋势:[7×1 vector of zero] Beta: [7×0 matrix]协方差:[7×7 matrix]

EstMdl是估计的结果模型对象。它是完全指定的，因为所有参数都有已知值。默认情况下,估计通过从模型中去除协整趋势项和线性趋势项，对H1 Johansen VEC模型形式施加约束。从估计中排除参数相当于将相等约束施加到零。

显示评估的简短摘要。

结果= summary (EstMdl)
结果=带字段的结构:描述:“7维Rank = 4 VEC(1)模型”模型:“H1”SampleSize: 238 NumEstimatedParameters: 112 LogLikelihood: -1.4939e+03 AIC: 3.2118e+03 BIC: 3.6007e+03 Table: [133x4 Table]协方差:[7x7 double]相关性:[7x7 double]

的表格领域的结果是一个表的参数估计和相应的统计。

打开实时脚本

中的模型和数据估计VEC模型以及这四种可供选择的VEC模型:VEC(0)、VEC(1)、VEC(3)和VEC(7)。使用历史数据，估计四个模型中的每一个，然后使用得到的贝叶斯信息准则(BIC)比较模型的拟合。

加载Data_USEconVECModel数据集和预处理数据。

负载Data_USEconVECModel弗雷德。GDP = 100*log(FRED.GDP);弗雷德。GDPDEF = 100*log(FRED.GDPDEF);弗雷德。COE = 100*log(FRED.COE);弗雷德。HOANBS = 100*log(FRED.HOANBS);弗雷德。PCEC = 100*log(FRED.PCEC); FRED.GPDI = 100*log(FRED.GPDI);

在循环中:

  • 使用简写语法创建VEC模型。

  • 估计VEC模型。保留的最大值p作为预先观察。

  • 存储估计结果。

Numlags = [0 1 3 7];P = numlags + 1;Y0 = FRED{1:max(p)，:};Y = FRED{((max(p) + 1):end)，:};为j = 1:数字(p) Mdl = vecm(7,4,numlag (j));EstMdl =估计(Mdl,Y，“Y0”, Y);results(j) = summary (EstMdl);结束

结果是一个4乘1结构数组，包含每个模型的估计结果。

从每组结果中提取BIC。

BIC = [results.]BIC)
BIC =1×4103.× 5.3948 5.4372 5.8254 6.5536

所考虑的模型中，最低BIC对应的模型拟合最好。因此，VEC(0)模型是最佳拟合模型。

输入参数

全部折叠

VEC模型，指定为结果返回的模型对象估计或结果。

输出参数

全部折叠

模型摘要，返回为结构数组或结果模型对象。

  • 如果Mdl是估计的VEC模型，那么结果包含此表中的字段的结构数组。

    场 描述
    描述 模型摘要描述(字符串)
    模型 约翰森确定性项模型(“氢气”，“H1 *”，“标题”，“H *”，“H”）［1］
    SampleSize 有效样本量(数值标量)
    NumEstimatedParameters 估计参数个数(数值标量)
    LogLikelihood 优化的对数似然值(数字标量)
    另类投资会议 赤池信息准则(数字标量)
    BIC 贝叶斯信息准则(数字标量)
    表格 具有相应标准误差的参数估计，t统计数据(估计除以标准误差)，和p-values(假设正常);与模型参数相对应的行表
    协方差 估计残馀协方差矩阵(最大似然估计)Mdl。NumSeries——- - - - - -Mdl。NumSeries数值矩阵的行和列对应的创新响应方程的列排序Y
    相关 估计的残差相关矩阵，其维数对应的维数协方差

    总结使用mvregress实现多元正态、极大似然估计。有关估计和标准误差的详细信息，请参见多元回归模型的估计。

  • 如果Mdl是一个未估计的VEC模型，那么结果是一个结果的模型对象Mdl。

参考文献

［1］约翰森,S。协整向量自回归模型中的似然推理。牛津:牛津大学出版社，1995年。

版本历史

在R2017b中引入

另请参阅

对象

功能

主题