主要内容

msVAR

创建经建会动态回归模型

扩展所有的页面

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:

  • 各州之间的切换机制,由离散时间马尔可夫链(dtmc对象)

  • 具体由各州完成的子,自回归(ARX)或向量自回归(VARX)模型(华宇电脑或varm对象),可以包含外生回归组件

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。

创建

语法

Mdl Mdl = msVAR (mc)
Mdl = msVAR (mc、Mdl SeriesNames, SeriesNames)

描述

例子

Mdl= msVAR (mc,mdl)创建一个经建会动态回归模型Mdl(一个msVAR对象)的离散时间马尔可夫链,之间的切换机制mc具体由各州完成的,稳定的动态回归的子mdl。

例子

Mdl= msVAR (mc,mdl,“SeriesNames”seriesNames)可选设置SeriesNames属性,该同事的名字seriesNames的时间序列模型。

输入参数

全部展开

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。

中状态转移矩阵的行和列mc.P对应于美国代表的子模型向量mdl。

msVAR处理和储存mc在开关财产。

具体由各州完成动态回归子,指定为一个长度mc.NumStates分别由向量的模型对象华宇电脑或varm。必须是相同类型的(所有的子华宇电脑或varm)和具有相同数量的系列。

与其他模型估算工具不同,估计不推断在估计子模型回归系数大小的数组。因此,您必须指定β每个子模型适当的属性。例如,包括和评估三个预测因素单变量回归组件的子模型j,设置mdl (j)。β=南(3,1)。

msVAR处理和储存mdl在房地产子。

属性

全部展开

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”);

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

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

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

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

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。

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

估计 适合经建会动态回归模型数据
过滤器 过滤推理经建会特工潜伏状态的动态回归数据
预测 从经建会动态回归模型预测样本路径
模拟 经建会动态回归模型模拟样本路径
光滑的 平滑推理经建会特工潜伏状态的动态回归数据
总结 总结经建会动态回归模型估计的结果

例子

全部折叠

打开生活的脚本

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)。

打开生活的脚本

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。

打开生活的脚本

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。

打开生活的脚本

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。

打开生活的脚本

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)
打开生活的脚本

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。

打开生活的脚本

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 x 1 t ,包括解释变量VAR(1)模型 x 1 t 和 x 2 t ,包括解释变量VAR(2)模型 x 1 t , x 2 t , x 3 t 。

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)
打开生活的脚本

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

全部展开

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

另请参阅

|||