一种向量自回归(VAR)模型一个多元时间序列模型是否包含一个系统N.方程式N.不同的,平稳的响应变量作为滞后响应和其他项的线性函数。VAR模型的特征还在于它们的程度P.;var中的每个方程(P.)模型包含P.系统中所有变量的滞后。
VAR模型属于一类多元线性时间序列模型称为向量自回归移动平均(VARMA)模型.虽然OuthoMetrics Toolbox™提供了对VAR进行全面分析的功能(P.)模型(从模型估计到预测和模拟),工具箱为VARMA类中的其他模型提供有限的支持。金宝app
一般来说,多元线性时间序列模型非常适合于:
同时建模几个固定时间序列的运动。
测量系统中响应变量之间的延迟效果。
测量外生序列对系统变量的影响。例如,确定最近征收的关税是否对若干计量经济系列产生重大影响。
生成响应变量的同时预测。
该表包含多元线性时间序列模型的形式,并描述了计量经济学工具箱中支持的功能。金宝app
模型 | 缩写 | 方程 | 金宝app支持的功能 |
---|---|---|---|
向量自回归 | VAR (P.的) |
|
|
线性时间趋势向量自回归 | VAR (P.的) |
|
|
向量自回归与外生级数 | varx(P.的) |
|
|
向量移动平均 | vma(问:的) |
|
|
矢量自动增加移动平均值 | VARMA (P.那问:的) |
|
|
结构矢量自动增加移动平均值 | SVARMA (P.那问:的) |
|
与VARM金宝appA模型相同的支持 |
方程中出现了以下变量:
yT.是N.-1向量的不同响应时间序列变量在时间T..
C是一个N.- 1个每条等程中的恒定偏移矢量矢量。
Φj是一个N.——- - - - - -N.AR系数矩阵,其中j= 1,…,P.和ΦP.不是一个只包含0的矩阵。
XT.是一个M.-乘1向量对应的值M.外源性变量或预测因子。除了滞后的响应之外,外源变量是对系统的未铭出的输入。默认情况下,每个响应方程都出现每个外源变量。
β是一个N.——- - - - - -M.回归系数矩阵。排j包含响应变量等式中的系数j,列K.包含外源变量的系数K.在所有的方程。
δ是一个N.线性时间趋势值的-by-1向量。
εT.是一个N.-1-1矢量随机高斯创新,每个矢量,均为0和集体N.——- - - - - -N.协方差矩阵σ。为了T.≠S.那εT.和εS.是独立的。
ΘK.是一个N.——- - - - - -N.MA系数的矩阵,在哪里K.= 1,…,问:和Θ问:不是一个只包含0的矩阵。
Φ0.和Θ0.分别为AR和MA结构系数。
一般来说,时间序列yT.和XT.是可观察的,因为您有代表系列的数据。价值C那δ那β,以及自回归矩阵φj并不总是知道。您通常希望将这些参数拟合到您的数据中。看估计
出于估计未知参数的方法或如何将其中一些固定为值(设置平等约束)在估计期间。创新εT.在数据中是观察不到的,但在模拟中可以观察到。
在前面的表中,模型以差异方程表示法表示。滞后算子符号是多元线性时间序列方程的等价且更简洁的表示。
滞后运营商L.减少一个单位的时间指数:L.yT.=yT.1.操作员L.j减少时间索引j单位:L.jyT.=yT.-j.
在滞后算子形式下,SVARMAX(P.那问:)模型是:
等式以这种形式更加简洁地表达:
在哪里
和
多元AR多项式是稳定的如果
所有创新等于零,这种情况意味着VAR过程会聚到C作为T.接近无穷大(更多细节,见[1],ch。2)。
多元马多项式是可逆如果
这个条件意味着VMA过程的纯VAR表示是稳定的(更多细节,请参见[1],ch。11)。
如果AR多项式是稳定的,则VARMA模型是稳定的。同样,如果一个VARMA模型的MA多项式是可逆的,那么它就是可逆的。
具有外源性输入的模型(例如,Varmax模型)没有明确的稳定性或可逆性概念。外源性输入可以使模型变得破坏。
通过包括多变量线性时间序列模型中的回归分量,将来自外源预测器的反馈或与响应系列的线性关联研究。按越来越复杂性的顺序,使用此类模型的应用程序示例:
建模干预的效果,这意味着外生系列是一个指标变量。
对每个反应的外生序列子集之间的同时代线性关联建模。其应用包括CAPM分析和研究商品价格对其需求的影响。这些应用程序是看似不相关的回归(SUR)的例子。有关详细信息,请参见实现看似无关的回归和估计资本资产价格使用SUR.
建立同时期和滞后外生序列之间的线性关联模型,并将响应作为分布滞后模型的一部分。其应用包括确定货币增长的变化如何影响实际国内生产总值(GDP)和国民总收入(GNI)。
包含戒断效应的SUR和分布式滞后模型的任何组合,也称为同时等式模型。
varx的一般方程(P.)模特是
在哪里
XT.是一个M.-by-1向量M.随时的外源变量T..矢量XT.可以含有滞后的外源系列。
β是一个N.——- - - - - -M.回归系数的向量。排j的β包含响应级数方程中的回归系数j对于所有外生变量。列K.的β包含外生变量响应级数方程之间的回归系数K..此图显示了具有扩展回归分量的系统:
本工作流描述了如何使用计量经济学工具箱VAR模型功能来分析多变量时间序列。如果你认为响应系列是协整的,那么使用VEC模型功能代替(见结果
)。
加载、预处理和分区数据集。有关详细信息,请参见多变量时间序列数据格式.
创建一个varm
描述VAR模型的模型对象。一种varm
模型对象是一个MATLAB®变量包含描述模型的属性,如AR多项式次数P.,反应维度N.和系数值。varm
必须能够推断N.和P.从你的规格;N.和P.不是有价值的。您可以在创建VAR模型后更新AR多项式的滞后结构,但您不能更改N..
varm
使您可以创建这些类型的模型:
充分的说明了模型中所有参数,包括系数和创新协方差矩阵,都是数值。当经济理论指定了模型中所有参数的值,或者你想要试验参数设置时,创建这种类型的模型。在创建完全指定的模型之后,您可以将模型传递给所有人对象的功能除了估计
.
模型模板在哪N.和P.是已知值,但所有系数和创新协方差矩阵是未知的、可估计的参数。可估计参数对应的性质由南
值。将模型模板和数据传递给估计
获取估计(完全指定的)var模型。然后,您可以将估计的模型传递给任何其他对象函数。
部分指定模型模板,其中一些参数是已知的,而另一些参数是未知的和可估计的。如果将部分指定的模型和数据传递给估计
, MATLAB将优化过程中已知的参数值作为等式约束,对未知值进行估计。部分指定的模型非常适合这些任务:
通过将系数设置为零,从模型中删除滞后。
通过将不希望出现在响应方程中的预测因子的回归系数设置为零,将预测因子的子集与响应变量关联起来。
有关详细信息,请参见创建VAR模型.
通过迭代步骤2和步骤3,找到合适的AR多项式次数。看选择合适的滞后次序.
分析拟合模型。这个步骤包括:
您的应用程序不必涉及此工作流中的所有步骤,您可以迭代其中一些步骤。例如,您可能没有任何数据,但希望模拟来自完全指定的模型的响应。
[1]Lütkepohl,H.多时间序列分析新介绍.柏林:施普林格,2005年。