msVAR
创建经建会动态回归模型
描述
的msVAR
函数返回一个msVAR
对象指定的函数形式经建会动态回归模型单变量或多变量响应过程yt。的msVAR
对象还存储模型的参数值。
一个msVAR
对象有两个关键组件:
这些组件完全指定模型结构。马尔可夫链的转移矩阵和子模型参数,如AR系数和innovation-distribution方差是未知的和有价值的,除非你指定他们的价值观。
包含未知参数值来估计模型,通过模型和数据估计
。据估计或完全指定的工作msVAR
对象,将它传递给一个目标函数。
另外,创建一个threshold-switching动态回归模型,由阈值切换机制转换和阈值的观测变量,明白了阈值
和tsVAR
。
属性
你只可以设置SeriesNames
房地产当你创建一个模型通过使用名称-值参数语法或通过使用点符号。MATLAB®所有其他属性的值来自输入mc
和mdl
。
例如,创建一个经建会模型为二维反应级数,然后标签第一和第二系列“国内生产总值”
和“CPI”
,分别。
Mdl = msVAR (mc, Mdl);Mdl。SeriesNames = (“GDP”“CPI”);
NumStates
- - - - - -许多州
积极的标量
这个属性是只读的。
指定数量的州,是一个积极的标量。
数据类型:双
NumSeries
- - - - - -数量的时间序列
正整数
这个属性是只读的。
数量的时间序列,指定为一个正整数。NumSeries
指定响应变量的维度和创新在所有的子。
数据类型:双
StateNames
- - - - - -状态标签
字符串向量
这个属性是只读的。
状态标签,指定为字符串向量的长度NumStates
。
数据类型:字符串
SeriesNames
- - - - - -独特的系列标签
字符串(1:numSeries)
(默认)|字符串向量|单元阵列的特征向量|数值向量
独特的系列标签,指定为字符串向量,单元阵列特征向量,或数字向量的长度numSeries
。msVAR
存储系列名称作为字符串向量。
数据类型:字符串
开关
- - - - - -离散时间马尔可夫链状态之间的切换机制
dtmc
对象
这个属性是只读的。
离散时间马尔可夫链状态之间的切换机制,指定为一个dtmc
对象。
子
- - - - - -具体由各州完成向量自回归的子
向量的varm
对象
这个属性是只读的。
具体由各州完成的向量自回归的子,指定为一个向量的varm
物体的长度NumStates
。
msVAR
移除不支持的子模型组金宝app件。
为
华宇电脑
子,msVAR
不支持移动平均(M金宝appA),差分和季节性组件。如果有任何子模型是一个复合条件(例如,其均值和方差模型方差
属性是一个garch
对象),msVAR
一个错误的问题。为
varm
子,msVAR
不支持组件的趋势。金宝app
msVAR
指定为转换的子华宇电脑
对象一维varm
对象。
笔记
南
价值元素的属性开关
或子子
显示未知,有价值的参数。指定的元素,除了子模型创新差异,表明等式约束在模型估计参数。所有未知的子模型参数状态依赖。
对象的功能
例子
创建完全指定的单变量模型
创建一个两国经建会动态回归模型对一维反应过程。指定所有参数值(本例中使用任意值)。
创建一个两国并存的离散时间马尔可夫链模型,描述了政权转换机制。标签的政权。
P = [0.9 - 0.1;0.3 - 0.7);mc = dtmc (P,“StateNames”,(“扩张”“衰退”])
mc = dtmc属性:P: [2 x2双]StateNames:[“扩张”的“衰退”]NumStates: 2
mc
是一个dtmc
对象。
对于每一个政权,使用华宇电脑
创建一个基于“增大化现实”技术的模型,该模型描述了政权内的响应过程。
%的常量C1 = 5;C2 = 5;% AR系数AR1 = (0.3 - 0.2);% 2落后AR2 = 0.1;% 1滞后%创新差异v1 = 2;v2 = 1;% AR的子mdl1 = arima (“不变”C1,基于“增大化现实”技术的AR1,…“方差”,v1,“描述”,“扩张状态”)
mdl1 = arima与属性:描述:“扩张状态”地理分布:Name =“高斯”P: 2 D: 0问:0常数:5 AR:{0.3 - 0.2}滞后(1 2)特别行政区:马{}:{}SMA:{}季节性:0β:[1×0]方差:2 arima(2 0 0)模型(高斯分布)
mdl2 = arima (“不变”C2,基于“增大化现实”技术的AR2,…“方差”v2,“描述”,“经济衰退状态”)
mdl2 = arima与属性:描述:“衰退状态”地理分布:Name =“高斯”P: 1 D: 0问:0常数:5 AR:滞后[1]SAR {0.1}: {}: {} SMA:{}季节性:0β:[1×0]方差:1 arima(1,0,0)模型(高斯分布)
mdl1
和mdl2
完全指定的华宇电脑
对象。
存储在一个向量的子订单对应政权mc.StateNames
。
mdl = [mdl1;mdl2];
使用msVAR
创建一个经建会动态回归模型的转换机制mc
针对各州具体情况和子mdl
。
Mdl Mdl = msVAR (mc)
Mdl = msVAR属性:NumStates: 2 NumSeries: 1 StateNames:[“扩张”的“衰退”]SeriesNames:“1”开关:[1 x1 dtmc]子:[2 x1 varm]
Mdl.Submodels (1)
ans = varm属性:描述:“AR-Stationary维VAR(2)模式”SeriesNames:“日元”NumSeries: 1 P: 2常数:5 AR:{0.3 - 0.2}滞后(1 2)趋势:0β:协方差矩阵[1×0):2
Mdl.Submodels (2)
ans = varm属性:描述:“AR-Stationary维VAR(1)模式”SeriesNames:“日元”NumSeries: 1 P: 1常数:5 AR:{0.1}在滞后[1]的趋势:0β:协方差矩阵[1×0):1
Mdl
是一个完全指定的msVAR
对象代表一个单变量两国经建会动态回归模型。msVAR
指定的商店华宇电脑
子,varm
对象。
因为Mdl
完整说明,你可以通过它来吗msVAR
为进一步分析目标函数(参见对象的功能)。或者,你可以指定的参数Mdl
初始值的估计过程(见估计
)。
创建完全指定的美国GDP增长率模型
考虑两国经建会动态回归模型的战后美国实际GDP增长率。模型中给出的参数估计[1]。
创建一个离散时间马尔可夫链模型,描述了政权转换机制。标签的政权。
P = [0.92 - 0.08;0.26 - 0.74);mc = dtmc (P,“StateNames”,(“扩张”“衰退”]);
mc
是一个完全指定的dtmc
对象。
创建单独的基于“增大化现实”技术(0)模型(常数)两个政权。
σ= 3.34;跨州%同方差的模型mdl1 = arima (“不变”,4.62,“方差”σ^ 2);mdl2 = arima (“不变”,-0.48,“方差”σ^ 2);mdl = [mdl1 mdl2];
创建经建会动态回归模型,描述美国GDP增长率的行为。
Mdl Mdl = msVAR (mc)
Mdl = msVAR属性:NumStates: 2 NumSeries: 1 StateNames:[“扩张”的“衰退”]SeriesNames:“1”开关:[1 x1 dtmc]子:[2 x1 varm]
Mdl
是一个完全指定的msVAR
对象。
创建部分指定单变量模型来估计
考虑两国经建会数据拟合模型一维反应过程。
创建一个离散时间马尔可夫链模型的转换机制。指定一个2×2的矩阵南
转移矩阵的值。这个设置表明你想估计所有过渡概率。标签。
P =南(2);mc = dtmc (P,“StateNames”,(“扩张”“衰退”])
mc = dtmc属性:P: [2 x2双]StateNames:[“扩张”的“衰退”]NumStates: 2
mc.P
ans =2×2南南南南
mc
是一个部分指定dtmc
对象。转换矩阵mc.P
完全是未知的和有价值的。
创建AR(1)和AR(2)模型通过使用速记的语法华宇电脑
。创建每个模型后,通过使用点符号指定的模型描述。
mdl1 = arima (1,0,0);mdl1。描述=“扩张状态”
mdl1 = arima与属性:描述:“扩张状态”地理分布:Name =“高斯”P: 1 D: 0问:0常数:南AR:滞后[1]SAR{南}:{}:{}SMA:{}季节性:0β:[1×0]方差:南arima(1,0,0)模型(高斯分布)
mdl2 = arima (2 0 0);mdl2。描述=“经济衰退状态”
mdl2 = arima与属性:描述:“衰退状态”地理分布:Name =“高斯”P: 2 D: 0问:0常数:南AR:{南南}滞后(1 2)特别行政区:马{}:{}SMA:{}季节性:0β:[1×0]方差:南arima(2 0 0)模型(高斯分布)
mdl1
和mdl2
指定的部分华宇电脑
对象。南
价值属性对应于未知的、有价值的参数。
存储在一个向量的子订单对应政权mc.StateNames
。
mdl = [mdl1;mdl2];
创建一个经建会模型模板的切换机制mc
针对各州具体情况和子mdl
。
Mdl Mdl = msVAR (mc)
Mdl = msVAR属性:NumStates: 2 NumSeries: 1 StateNames:[“扩张”的“衰退”]SeriesNames:“1”开关:[1 x1 dtmc]子:[2 x1 varm]
Mdl
是一个部分指定msVAR
对象代表一个单变量两国经建会动态回归模型。
Mdl.Submodels (1)
ans = varm属性:描述:“维VAR(1)模式”SeriesNames:“日元”NumSeries: 1 P: 1常数:南AR:{南}在滞后[1]的趋势:0β:协方差矩阵[1×0]:南
Mdl.Submodels (2)
ans = varm属性:描述:“维VAR(2)模式”SeriesNames:“日元”NumSeries: 1 P: 2常数:南AR:{南南}滞后(1 2)趋势:0β:协方差矩阵[1×0]:南
msVAR
转换华宇电脑
对一维对象的子varm
对象的等价物。
Mdl
估计早有准备。你可以通过Mdl
以及数据和一个完全模型包含指定初始值为优化估计
。
创建完全指定的多变量模型
创建一个三态经建会动态回归模型为二维反应过程。指定所有参数值(本例中使用任意值)。
创建一个三态离散时间马尔可夫链模型,描述了政权转换机制。
P = [10 1 1;1 10 1;1 1 10];mc = dtmc (P);mc.P
ans =3×30.8333 0.0833 0.0833 0.0833 0.8333 0.0833 0.0833 0.0833 0.8333
mc
是一个dtmc
对象。dtmc
规范化P
所以,每一行的资金,1。
对于每一个政权,使用varm
创建一个VAR模型,描述了政权内的响应过程。指定所有参数值。
%的常量(numSeries x 1向量)C1 = (1, 1);C2 = (2, 2);C3 = [3; 3);%自回归系数(numSeries x numSeries矩阵)AR1 = {};% 0落后AR2 = {[0.5 - 0.1;0.5 - 0.5]};% 1滞后AR3 = {(0.25 0;0 0][0 0;0.25 0]};% 2落后%创新协方差(numSeries x numSeries矩阵)Sigma1 = [1 -0.1;-0.1 - 1];Sigma2 = [2 -0.2;-0.2 - 2);Sigma3 = [3 -0.3;-0.3 3];% VAR的子mdl1 = varm (“不变”C1,基于“增大化现实”技术的AR1,协方差的,Sigma1);mdl2 = varm (“不变”C2,基于“增大化现实”技术的AR2,协方差的,Sigma2);mdl3 = varm (“不变”C3,基于“增大化现实”技术的AR3,协方差的,Sigma3);
mdl1
,mdl2
,mdl3
完全指定的varm
对象。
存储在一个向量的子订单对应政权mc.StateNames
。
mdl = [mdl1;mdl2;mdl3];
使用msVAR
创建一个经建会动态回归模型的转换机制mc
针对各州具体情况和子mdl
。
Mdl Mdl = msVAR (mc)
Mdl = msVAR属性:NumStates: 3 NumSeries: 2 StateNames: [“1”“2”“3”) SeriesNames:(“1”“2”)开关:[1 x1 dtmc]子:[3 x1 varm]
Mdl.Submodels (1)
ans = varm属性:描述:“二维VAR(0)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 0常数:[1]的基于“增大化现实”技术:{}趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵)
Mdl.Submodels (2)
ans = varm属性:描述:“AR-Stationary二维VAR(1)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 1常数:[2 2]的基于“增大化现实”技术:{2×2矩阵}滞后[1]的趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵)
Mdl.Submodels (3)
ans = varm属性:描述:“AR-Stationary二维VAR(2)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 2常数:[3 3]的基于“增大化现实”技术:{2×2矩阵}滞后(1 2)趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵)
Mdl
是一个完全指定的msVAR
对象代表一个多元三态经建会动态回归模型。
创建完全指定模型包含回归组件
考虑为外生变量包括回归组件在每个经建会动态回归模型的子模型创建完全指定的多变量模型。
创建一个三态离散时间马尔可夫链模型,描述了政权转换机制。
P = [10 1 1;1 10 1;1 1 10];mc = dtmc (P);
对于每一个政权,使用varm
创建一个VARX模型,描述了政权内的响应过程。指定所有参数值。
%的常量(numSeries x 1向量)C1 = (1, 1);C2 = (2, 2);C3 = [3; 3);%自回归系数(numSeries x numSeries矩阵)AR1 = {};% 0落后AR2 = {[0.5 - 0.1;0.5 - 0.5]};% 1滞后AR3 = {(0.25 0;0 0][0 0;0.25 0]};% 2落后%回归系数(numSeries x numRegressors矩阵)Beta1 = (1, 1);% 1回归量Beta2 = (2 2 2; 2);% 2解释变量Beta3 = [3 3 3; 3 3 3];% 3解释变量%创新协方差(numSeries x numSeries矩阵)Sigma1 = [1 -0.1;-0.1 - 1];Sigma2 = [2 -0.2;-0.2 - 2);Sigma3 = [3 -0.3;-0.3 3];% VARX子mdl1 = varm (“不变”C1,基于“增大化现实”技术的AR1,“β”Beta1,…协方差的,Sigma1);mdl2 = varm (“不变”C2,基于“增大化现实”技术的AR2,“β”Beta2,…协方差的,Sigma2);mdl3 = varm (“不变”C3,基于“增大化现实”技术的AR3,“β”Beta3,…协方差的,Sigma3);
mdl1
,mdl2
,mdl3
完全指定的varm
代表国家规定的子对象。
存储在一个向量的子订单对应政权mc.StateNames
。
mdl = [mdl1;mdl2;mdl3];
使用msVAR
创建一个经建会动态回归模型的转换机制mc
针对各州具体情况和子mdl
。
Mdl Mdl = msVAR (mc)
Mdl = msVAR属性:NumStates: 3 NumSeries: 2 StateNames: [“1”“2”“3”) SeriesNames:(“1”“2”)开关:[1 x1 dtmc]子:[3 x1 varm]
Mdl.Submodels (1)
ans = varm属性:描述:“二维VARX(0)模型1预测“SeriesNames:“日元”“Y2”NumSeries: 2 P: 0常数:[1]的基于“增大化现实”技术:{}趋势:[2×1的向量0]β:协方差(2×1矩阵):(2×2的矩阵)
Mdl.Submodels (2)
ans = varm属性:描述:“AR-Stationary二维VARX(1)模型2预测“SeriesNames:“日元”“Y2”NumSeries: 2 P: 1常数:[2 2]的基于“增大化现实”技术:{2×2矩阵}滞后[1]的趋势:[2×1的向量0]β:协方差(2×2的矩阵):(2×2的矩阵)
Mdl.Submodels (3)
ans = varm属性:描述:“AR-Stationary二维VARX(2)模型3预测“SeriesNames:“日元”“Y2”NumSeries: 2 P: 2常数:[3 3]的基于“增大化现实”技术:{2×2矩阵}滞后(1 2)趋势:[2×1的向量0]β:协方差(2×3矩阵):(2×2的矩阵)
创建部分指定多元模型估计
考虑三态经建会模型数据拟合二维反应过程。
创建一个离散时间马尔可夫链模型的转换机制。指定一个3×3的矩阵南
转移矩阵的值。这个设置表明你想估计所有过渡概率。
P =南(3);mc = dtmc (P);
mc
是一个部分指定dtmc
对象。转换矩阵mc.P
完全是未知的和有价值的。
创建二维VAR (0), VAR(1),和VAR(2)模型通过使用速记的语法varm
。将模型存储在一个向量。
mdl1 = varm (2,0);mdl2 = varm (2, 1);mdl3 = varm (2, 2);mdl = [mdl1 mdl2 mdl3];mdl (1)
ans = varm属性:描述:“二维VAR(0)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 0常数:[2×1的向量nan]基于“增大化现实”技术:{}趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵nan)
mdl
包含三个具体由各州完成varm
为评估模型模板。南
在属性值表示有价值的参数。
创建一个经建会模型模板的切换机制mc
针对各州具体情况和子mdl
。
Mdl Mdl = msVAR (mc)
Mdl = msVAR属性:NumStates: 3 NumSeries: 2 StateNames: [“1”“2”“3”) SeriesNames:(“1”“2”)开关:[1 x1 dtmc]子:[3 x1 varm]
Mdl.Submodels (1)
ans = varm属性:描述:“二维VAR(0)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 0常数:[2×1的向量nan]基于“增大化现实”技术:{}趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵nan)
Mdl.Submodels (2)
ans = varm属性:描述:“二维VAR(1)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 1常数:[2×1的向量nan]基于“增大化现实”技术:nan}{2×2的矩阵的滞后[1]的趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵nan)
Mdl.Submodels (3)
ans = varm属性:描述:“二维VAR(2)模式”SeriesNames:“日元”“Y2”NumSeries: 2 P: 2常数:[2×1的向量nan]基于“增大化现实”技术:{2×2的矩阵nan}滞后(1 2)趋势:[2×1的向量0]β:协方差矩阵(2×0]:[2×2的矩阵nan)
Mdl
是一个部分指定msVAR
模型来估计。
为评估指定模型回归组件
考虑为外生变量包括回归组件的子经建会动态回归模型创建部分指定多元模型估计。假设包括解释变量VAR(0)模型 ,包括解释变量VAR(1)模型 和 ,包括解释变量VAR(2)模型 , , 。
创建离散时间马尔可夫链。
P =南(3);mc = dtmc (P);
创建二维VARX (0), VARX(1),和VARX(2)模型通过使用速记的语法varm
。对于每个模式,设置β
属性到一个numSeries
——- - - - - -numRegressors
矩阵的南
通过使用点符号值。所有的模型存储在一个向量。
numSeries = 2;mdl1 = varm (numSeries 0);mdl1。β=南(numSeries,1); mdl2 = varm(numSeries,1); mdl2.Beta = NaN(numSeries,2); mdl3 = varm(numSeries,2); mdl3.Beta = nan(numSeries,3); mdl = [mdl1; mdl2; mdl3];
创建一个经建会动态回归模型的转换机制mc
针对各州具体情况和子mdl
。
Mdl = msVAR (mc, Mdl);Mdl.Submodels (2)
ans = varm属性:描述:“二维VARX(1)模型2预测“SeriesNames:“日元”“Y2”NumSeries: 2 P: 1常数:[2×1的向量nan]基于“增大化现实”技术:nan}{2×2的矩阵的滞后[1]的趋势:[2×1的向量0]β:协方差(nan的2×2的矩阵):(nan的2×2的矩阵)
创建模型为评估指定等式约束
考虑到模型中创建部分指定多元模型估计。假设的理论指出,国家不持续。
创建一个离散时间马尔可夫链模型的转换机制。指定一个3×3的矩阵南
转移矩阵的值。表明国家不存在通过设置矩阵的对角元素0
。
P =南(3);P(逻辑(眼(3)))= 0;mc = dtmc (P);
mc
是一个部分指定dtmc
对象。
创建子并将它们存储在一个向量。
mdl1 = varm (2,0);mdl2 = varm (2, 1);mdl3 = varm (2, 2);submdl = [mdl1;mdl2;mdl3];
创建一个经建会动态回归模型的转换机制mc
针对各州具体情况和子mdl
。
Mdl = msVAR (mc, submdl);Mdl.Switch.P
ans =3×30南南南南南南0
估计
将过渡矩阵的对角元素称为等式约束估计。更多细节,请参阅估计
。
更多关于
经建会动态回归模型
一个经建会动态回归模型单变量或多变量的反应级数yt描述的动态行为系列的结构性突变或政权改变。具体由各州完成动态回归的子集合描述的动态行为yt在体制内。
地点:
年代t是一个离散时间马尔可夫链表示政权之间的切换机制(
开关
)。n是政权的数量(
NumStates
)。是政权我动态回归模型yt(
子
(我))。子都是单变量(ARX)或多元(VARX)。xt是一个矢量观测外生变量的时间吗t。
θ我是政权我动态回归模型参数的集合,如AR系数和创新的差异。
汉密尔顿[2]提出了一个通用模型,称为经建会自回归(特别),允许滞后值的开关状态年代。汉密尔顿[3]展示了如何将一个特别模型转化为一个动态与高维状态空间回归模型,支持金宝appmsVAR
。
引用
[1]萧韦,M。,J. D. Hamilton. "Dating Business Cycle Turning Points." In商业周期的非线性分析(276年对经济分析的贡献,体积)。(c .米拉·罗斯曼和d·冯·eds)。阿姆斯特丹:翡翠集团出版有限公司,2006年。
[2]汉密尔顿,j . D。“经济分析的一种新方法的非平稳时间序列和商业周期”。费雪。57卷,1989年,页357 - 384。
[3]汉密尔顿,j . D。“分析的时间序列的变化机制。”计量经济学杂志。45卷,1990年,页39 - 70。
[4]汉密尔顿,詹姆斯D。时间序列分析。普林斯顿,纽约:普林斯顿大学出版社,1994年。
[5]Krolzig,小时。经建会向量自回归。柏林:施普林格出版社,1997年。
版本历史
介绍了R2019b
MATLABコマンド
次のMATLABコマンドに対応するリンクがクリックされました。
コマンドをMATLABコマンドウィンドウに入力して実行してくださ了对いweb这类ブラウザーはMATLABコマンドをサポートしていません。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。