оценка

Соответствуйте условной модели отклонения к данным

Синтаксис

EstMdl = estimate(Mdl,y)
EstMdl = estimate(Mdl,y,Name,Value)
[EstMdl,EstParamCov,logL,info] = estimate(___)

Описание

пример

EstMdl = estimate(Mdl,y) оценивает неизвестные параметры условного объекта модели отклонения Mdl с наблюдаемыми одномерными временными рядами y, с помощью наибольшего правдоподобия. EstMdl является полностью заданным условным объектом модели отклонения, который хранит результаты. Это - тот же тип модели как Mdl (см. garch, egarch и gjr).

пример

EstMdl = estimate(Mdl,y,Name,Value) оценивает условную модель отклонения с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value. Например, можно задать, чтобы отобразить итеративную информацию об оптимизации или преддемонстрационные инновации.

пример

[EstMdl,EstParamCov,logL,info] = estimate(___) дополнительно возвращается:

  • EstParamCov, ковариационная матрица отклонения сопоставлена с предполагаемыми параметрами.

  • logL, оптимизированная loglikelihood целевая функция.

  • info, структура данных итоговой информации с помощью любого из входных параметров в предыдущих синтаксисах.

Примеры

свернуть все

Соответствуйте модели GARCH(1,1) к моделируемым данным.

Моделируйте 500 точек данных из модели GARCH(1,1)

yt=εt,

где εt=σtzt и

σt2=0.0001+0.5σt-12+0.2εt-12.

Используйте Гауссово инновационное распределение по умолчанию для zt.

Mdl = garch('Constant',0.0001,'GARCH',0.5,...
    'ARCH',0.2);
rng default; % For reproducibility
[v,y] = simulate(Mdl,500);

Вывод v содержит моделируемые условные отклонения. y является вектор-столбцом моделируемых ответов (инновации).

Задайте модель GARCH(1,1) с неизвестными коэффициентами и соответствуйте ей к серии y.

ToEstMdl = garch(1,1);
EstMdl = estimate(ToEstMdl,y)
 
    GARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                  Value       StandardError    TStatistic      PValue  
                __________    _____________    __________    __________

    Constant    9.8911e-05     3.0726e-05        3.2191        0.001286
    GARCH{1}       0.45393        0.11193        4.0557      4.9991e-05
    ARCH{1}        0.26374       0.056931        4.6326      3.6111e-06
EstMdl = 
  garch with properties:

     Description: "GARCH(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 9.8911e-05
           GARCH: {0.453935} at lag [1]
            ARCH: {0.263739} at lag [1]
          Offset: 0

Результатом является новая модель garch под названием EstMdl. Оценки параметра в EstMdl напоминают значения параметров, которые сгенерировали моделируемые данные.

Соответствуйте модели EGARCH(1,1) к моделируемым данным.

Моделируйте 500 точек данных из модели EGARCH(1,1)

yt=εt,

где εt=σtzt, и

журналσt2=0.001+0.7журналσt-12+0.5[|εt-1|σt-1-2π]-0.3(εt-1σt-1)

(распределение zt является Гауссовым).

Mdl = egarch('Constant',0.001,'GARCH',0.7,...
               'ARCH',0.5,'Leverage',-0.3);

rng default % For reproducibility 
[v,y] = simulate(Mdl,500);

Вывод v содержит моделируемые условные отклонения. y является вектор-столбцом моделируемых ответов (инновации).

Задайте модель EGARCH(1,1) с неизвестными коэффициентами и соответствуйте ей к серии y.

ToEstMdl = egarch(1,1);
EstMdl = estimate(ToEstMdl,y)
 
    EGARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                      Value       StandardError    TStatistic      PValue  
                   ___________    _____________    __________    __________

    Constant       -0.00063865      0.031698       -0.020148        0.98393
    GARCH{1}           0.70506      0.067359          10.467     1.2222e-25
    ARCH{1}            0.56774      0.074746          7.5956      3.063e-14
    Leverage{1}       -0.32116      0.053345         -6.0204     1.7398e-09
EstMdl = 
  egarch with properties:

     Description: "EGARCH(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: -0.000638645
           GARCH: {0.705065} at lag [1]
            ARCH: {0.567741} at lag [1]
        Leverage: {-0.321158} at lag [1]
          Offset: 0

Результатом является новая модель egarch под названием EstMdl. Оценки параметра в EstMdl напоминают значения параметров, которые сгенерировали моделируемые данные.

Соответствуйте модели GJR(1,1) к моделируемым данным.

Моделируйте 500 точек данных из модели GJR(1,1).

yt=εt,

где εt=σtzt и

σt2=0.001+0.5σt-12+0.2εt-12+0.2I[εt-1<0]εt-12.

Используйте Гауссово инновационное распределение по умолчанию для zt.

Mdl = gjr('Constant',0.001,'GARCH',0.5,...
    'ARCH',0.2,'Leverage',0.2);

rng default; % For reproducibility
[v,y] = simulate(Mdl,500);

Вывод v содержит моделируемые условные отклонения. y является вектор-столбцом моделируемых ответов (инновации).

Задайте модель GJR(1,1) с неизвестными коэффициентами и соответствуйте ей к серии y.

ToEstMdl = gjr(1,1);
EstMdl = estimate(ToEstMdl,y)
 
    GJR(1,1) Conditional Variance Model (Gaussian Distribution):
 
                     Value       StandardError    TStatistic      PValue  
                   __________    _____________    __________    __________

    Constant       0.00097382     0.00025135        3.8743      0.00010694
    GARCH{1}          0.46056       0.071793        6.4151      1.4077e-10
    ARCH{1}           0.24126       0.063409        3.8047      0.00014196
    Leverage{1}       0.25051        0.11265        2.2237        0.026171
EstMdl = 
  gjr with properties:

     Description: "GJR(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 0.000973818
           GARCH: {0.460555} at lag [1]
            ARCH: {0.241256} at lag [1]
        Leverage: {0.250506} at lag [1]
          Offset: 0

Результатом является новая модель gjr под названием EstMdl. Оценки параметра в EstMdl напоминают значения параметров, которые сгенерировали моделируемые данные.

Соответствуйте модели GARCH(1,1) к дневному закрытию, которое возвращает Сводный индекс NASDAQ.

Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте индекс в возвраты.

load Data_EquityIdx
nasdaq = DataTable.NASDAQ;
y = price2ret(nasdaq);
T = length(y);

figure
plot(y)
xlim([0,T])
title('NASDAQ Returns')

Возвраты показывают кластеризацию энергозависимости.

Задайте модель GARCH(1,1) и соответствуйте ей к ряду. Преддемонстрационные инновации требуются, чтобы инициализировать эту модель. Используйте первое наблюдение за y как необходимые преддемонстрационные инновации.

Mdl = garch(1,1);
[EstMdl,EstParamCov] = estimate(Mdl,y(2:end),'E0',y(1))
 
    GARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                  Value       StandardError    TStatistic      PValue  
                __________    _____________    __________    __________

    Constant    1.9987e-06     5.4228e-07        3.6857      0.00022807
    GARCH{1}       0.88356      0.0084341        104.76               0
    ARCH{1}        0.10903      0.0076472        14.257      4.0421e-46
EstMdl = 
  garch with properties:

     Description: "GARCH(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 1.99867e-06
           GARCH: {0.883563} at lag [1]
            ARCH: {0.109028} at lag [1]
          Offset: 0
EstParamCov = 3×3
10-4 ×

    0.0000   -0.0000    0.0000
   -0.0000    0.7113   -0.5343
    0.0000   -0.5343    0.5848

Вывод EstMdl является новой моделью garch с предполагаемыми параметрами.

Используйте выходную ковариационную матрицу отклонения, чтобы вычислить оценочные стандартные погрешности.

se = sqrt(diag(EstParamCov))
se = 3×1

    0.0000
    0.0084
    0.0076

Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (по порядку) постоянному, коэффициенту GARCH и коэффициенту ДУГИ.

Соответствуйте модели EGARCH(1,1) к дневному закрытию, которое возвращает Сводный индекс NASDAQ.

Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте индекс в возвраты.

load Data_EquityIdx
nasdaq = DataTable.NASDAQ;
y = price2ret(nasdaq);
T = length(y);

figure
plot(y)
xlim([0,T])
title('NASDAQ Returns')

Возвраты показывают кластеризацию энергозависимости.

Задайте модель EGARCH(1,1) и соответствуйте ей к ряду. Преддемонстрационные инновации требуются, чтобы инициализировать эту модель. Используйте первое наблюдение за y как необходимые преддемонстрационные инновации.

Mdl = egarch(1,1);
[EstMdl,EstParamCov] = estimate(Mdl,y(2:end),'E0',y(1))
 
    EGARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                     Value      StandardError    TStatistic      PValue  
                   _________    _____________    __________    __________

    Constant        -0.13479       0.022092        -6.101      1.0538e-09
    GARCH{1}         0.98391      0.0024221        406.22               0
    ARCH{1}          0.19965       0.013966        14.296      2.3323e-46
    Leverage{1}    -0.060243      0.0056471       -10.668      1.4354e-26
EstMdl = 
  egarch with properties:

     Description: "EGARCH(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: -0.134785
           GARCH: {0.983909} at lag [1]
            ARCH: {0.199645} at lag [1]
        Leverage: {-0.0602433} at lag [1]
          Offset: 0
EstParamCov = 4×4
10-3 ×

    0.4881    0.0533   -0.1018    0.0106
    0.0533    0.0059   -0.0118    0.0017
   -0.1018   -0.0118    0.1950    0.0016
    0.0106    0.0017    0.0016    0.0319

Вывод EstMdl является новой моделью egarch с предполагаемыми параметрами.

Используйте выходную ковариационную матрицу отклонения, чтобы вычислить оценочные стандартные погрешности.

se = sqrt(diag(EstParamCov))
se = 4×1

    0.0221
    0.0024
    0.0140
    0.0056

Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (по порядку) постоянному, коэффициенту GARCH, коэффициенту ДУГИ, и усиливают коэффициент.

Соответствуйте модели GJR(1,1) к дневному закрытию, которое возвращает Сводный индекс NASDAQ.

Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте индекс в возвраты.

load Data_EquityIdx
nasdaq = DataTable.NASDAQ;
y = price2ret(nasdaq);
T = length(y);

figure
plot(y)
xlim([0,T])
title('NASDAQ Returns')

Возвраты показывают кластеризацию энергозависимости.

Задайте модель GJR(1,1) и соответствуйте ей к ряду. Преддемонстрационные инновации требуются, чтобы инициализировать эту модель. Используйте первое наблюдение за y как необходимые преддемонстрационные инновации.

Mdl = gjr(1,1);
[EstMdl,EstParamCov] = estimate(Mdl,y(2:end),'E0',y(1))
 
    GJR(1,1) Conditional Variance Model (Gaussian Distribution):
 
                     Value       StandardError    TStatistic      PValue  
                   __________    _____________    __________    __________

    Constant       2.4579e-06     5.6867e-07        4.3222       1.545e-05
    GARCH{1}          0.88134        0.00949         92.87               0
    ARCH{1}          0.064098      0.0091979        6.9688       3.197e-12
    Leverage{1}      0.088851      0.0099167        8.9597      3.2551e-19
EstMdl = 
  gjr with properties:

     Description: "GJR(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 2.4579e-06
           GARCH: {0.881336} at lag [1]
            ARCH: {0.0640985} at lag [1]
        Leverage: {0.0888512} at lag [1]
          Offset: 0
EstParamCov = 4×4
10-4 ×

    0.0000   -0.0000    0.0000    0.0000
   -0.0000    0.9006   -0.6935   -0.0003
    0.0000   -0.6935    0.8460   -0.3606
    0.0000   -0.0003   -0.3606    0.9834

Вывод EstMdl является новой моделью gjr с предполагаемыми параметрами.

Используйте выходную ковариационную матрицу отклонения, чтобы вычислить оценочные стандартные погрешности.

se = sqrt(diag(EstParamCov))
se = 4×1

    0.0000
    0.0095
    0.0092
    0.0099

Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (по порядку) постоянному, коэффициенту GARCH, коэффициенту ДУГИ, и усиливают коэффициент.

Входные параметры

свернуть все

Условная модель отклонения, содержащая неизвестные параметры, заданные как garch, egarch или объект модели gjr.

estimate обрабатывает non-NaN элементы в Mdl как ограничения равенства и не оценивает соответствующие параметры.

Один путь данных об ответе, заданных как числовой вектор-столбец. Программное обеспечение выводит условные отклонения из y, т.е. данные, к которым модель является подходящей.

y обычно является инновационным рядом со средним значением 0 и условным отклонением, охарактеризованным моделью, заданной в Mdl. В этом случае y является продолжением инновационной серии E0.

y может также представлять инновационный ряд со средним значением 0 плюс смещение. Ненулевой Offset сигнализирует о включении смещения в Mdl.

Последнее наблюдение за y является последним наблюдением.

Типы данных: double

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'Display','iter','E0',[0.1; 0.05] задает, чтобы отобразить итеративную информацию об оптимизации и [0.05; 0.1] как преддемонстрационные инновации.

Для GARCH, EGARCH и моделей GJR

свернуть все

Начальные содействующие оценки, соответствующие прошлым инновационным срокам, заданным как пара, разделенная запятой, состоящая из 'ARCH0' и числового вектора.

  • Для GARCH (P, Q) и GJR (P, Q) модели:

    • ARCH0 должен быть числовым вектором, содержащим неотрицательные элементы.

    • ARCH0 содержит начальные содействующие оценки, сопоставленные с прошлыми инновационными сроками в квадрате, которые составляют полином ДУГИ.

    • По умолчанию estimate выводит первоначальные оценки с помощью стандартных методов временных рядов.

  • Для EGARCH (P, Q) модели:

    • ARCH0 содержит начальные содействующие оценки, сопоставленные со значением прошлых стандартизированных инноваций, которые составляют полином ДУГИ.

    • По умолчанию estimate устанавливает начальную содействующую оценку, сопоставленную с первой ненулевой задержкой в модели к маленькому положительному значению. Все другие значения являются нулем.

Количество коэффициентов в ARCH0 должно равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в полиноме ДУГИ, как задано в свойстве ARCHLags Mdl.

Типы данных: double

Первоначальная условная модель отклонения постоянная оценка, заданная как пара, разделенная запятой, состоящая из 'Constant0' и числового скаляра.

Для GARCH (P, Q) и GJR (P, Q) модели, Constant0 должен быть положительной скалярной величиной.

По умолчанию estimate выводит первоначальные оценки с помощью стандартных методов временных рядов.

Типы данных: double

Параметр экрана Командного окна, заданный как пара, разделенная запятой, состоящая из 'Display' и значения или любой комбинации значений в этой таблице.

Значениеоцените Отображения
'diagnostics'Диагностика оптимизации
'full'Оценки параметра наибольшего правдоподобия, стандартные погрешности, статистика t, итеративная информация об оптимизации и диагностика оптимизации
'iter'Итеративная информация об оптимизации
'off'Никакое отображение в Командном окне
'params'Оценки параметра наибольшего правдоподобия, стандартные погрешности и статистика t

Например:

  • Запускать симуляцию, где вы соответствуете многим моделям, и поэтому хотите подавить весь вывод, 'Display','off' использования.

  • Чтобы отобразить все результаты оценки и диагностику оптимизации, используйте 'Display',{'params','diagnostics'}.

Типы данных: char | cell | string

Начальный t - оценка параметра степеней свободы распределения, заданная как пара, разделенная запятой, состоящая из 'DoF0' и положительной скалярной величины. DoF0 должен превысить 2.

Типы данных: double

Преддемонстрационные инновации, заданные как пара, разделенная запятой, состоящая из 'E0' и числового вектор-столбца. Преддемонстрационные инновации обеспечивают начальные значения для инновационного процесса условной модели Mdl отклонения. Преддемонстрационные инновации выводят от распределения со средним значением 0.

E0 должен содержать, по крайней мере, строки Mdl.Q. Если E0 содержит дополнительные строки, то estimate использует последние преддемонстрационные инновации Mdl.Q. Последняя строка содержит последние преддемонстрационные инновации.

Значения по умолчанию:

  • Для GARCH (P, Q) и GJR (P, Q) модели, estimate устанавливает любые необходимые преддемонстрационные инновации на квадратный корень из среднего значения в квадрате настроенной смещением серии y ответа.

  • Для EGARCH (P, Q) модели, estimate обнуляет любые необходимые преддемонстрационные инновации.

Типы данных: double

Начальный коэффициент оценивает для прошлых условных сроков отклонения, заданных как пара, разделенная запятой, состоящая из 'GARCH0' и числового вектора.

  • Для GARCH (P, Q) и GJR (P, Q) модели:

    • GARCH0 должен быть числовым вектором, содержащим неотрицательные элементы.

    • GARCH0 содержит начальные содействующие оценки, сопоставленные с прошлыми условными сроками отклонения, которые составляют полином GARCH.

  • Для EGARCH (P, Q) модели, GARCH0 содержит начальные содействующие оценки, сопоставленные с прошлыми логарифмическими условными сроками отклонения, которые составляют полином GARCH.

Количество коэффициентов в GARCH0 должно равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в полиноме GARCH, как задано в свойстве GARCHLags Mdl.

По умолчанию estimate выводит первоначальные оценки с помощью стандартных методов временных рядов.

Типы данных: double

Начальная инновационная средняя оценка смещения модели, заданная как пара, разделенная запятой, состоящая из 'Offset0' и скаляра.

По умолчанию estimate устанавливает первоначальную оценку на демонстрационное среднее значение y.

Типы данных: double

Опции оптимизации, заданные как пара, разделенная запятой, состоящая из 'Options' и контроллера оптимизации optimoptions. Для получения дополнительной информации при изменении значений по умолчанию оптимизатора, смотрите optimoptions или fmincon в Optimization Toolbox™.

Например, чтобы изменить допуск ограничения на 1e-6, установите Options = optimoptions(@fmincon,'ConstraintTolerance',1e-6,'Algorithm','sqp'). Затем передача Options в estimate с помощью 'Options',Options.

По умолчанию estimate использует те же опции по умолчанию, как fmincon, кроме Algorithm 'sqp', и ConstraintTolerance является 1e-7.

Преддемонстрационные условные отклонения, заданные как пара, разделенная запятой, состоящая из 'V0' и числового вектор-столбца с положительными записями. V0 обеспечивает начальные значения для условного процесса отклонения условной модели Mdl отклонения.

Для GARCH (P, Q) и GJR (P, Q) модели, V0 должен иметь, по крайней мере, строки Mdl.P.

Для EGARCH (P, Q) модели, V0 должен иметь, по крайней мере, строки max(Mdl.P,Mdl.Q).

Если количество строк в V0 превышает необходимый номер, только последние наблюдения используются. Последняя строка содержит последнее наблюдение.

По умолчанию estimate устанавливает необходимые преддемонстрационные условные отклонения на среднее значение в квадрате настроенной смещением серии y ответа.

Типы данных: double

Для EGARCH и моделей GJR

свернуть все

Начальный коэффициент оценивает прошлые сроки рычагов, заданные как пара, разделенная запятой, состоящая из 'Leverage0' и числового вектора.

Для EGARCH (P, Q) модели, Leverage0 содержит начальные содействующие оценки, сопоставленные с прошлыми стандартизированными инновационными сроками, которые составляют полином рычагов.

Для GJR (P, Q) модели, Leverage0 содержит начальные содействующие оценки, сопоставленные с прошлым, отрицательные инновации в квадрате, которые составляют полином рычагов.

Количество коэффициентов в Leverage0 должно равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в полиноме рычагов (Leverage), как задано в LeverageLags.

Типы данных: double

Примечания

  • NaN s в данных о предварительной выборке или оценке указывает на недостающие данные, и estimate удаляет их. Программное обеспечение объединяет преддемонстрационные данные (E0 и V0) отдельно от эффективных выборочных данных (y), и затем использует мудрое списком удаление, чтобы удалить строки, содержащие по крайней мере один NaN. Удаление NaN s в данных уменьшает объем выборки и может также создать неправильные временные ряды.

  • estimate принимает, что вы синхронизируете преддемонстрационные данные, таким образом, что последние наблюдения происходят одновременно.

  • Если вы задаете значение для Display, то он более приоритетен по сравнению со спецификациями опций оптимизации Diagnostics и Display. В противном случае estimate соблюдает все выборы, связанные с отображением информации об оптимизации в опциях оптимизации.

  • Если вы не задаете E0 и V0, то estimate выводит необходимые преддемонстрационные наблюдения от безусловного, или отдаленного, отклонения настроенного смещением процесса ответа.

    • Для всех условных моделей отклонения V0 является демонстрационным средним значением воздействий в квадрате настроенных смещением данных об ответе y.

    • Для GARCH (P, Q) и GJR (P, Q) модели, E0 является квадратным корнем из среднего значения в квадрате настроенной смещением серии y ответа.

    • Для EGARCH (P, Q) модели, E0 является 0.

    Эти спецификации минимизируют начальные переходные эффекты.

Выходные аргументы

свернуть все

Условная модель отклонения, содержащая оценки параметра, возвращенные как garch, egarch или объект модели gjr. estimate использует наибольшее правдоподобие, чтобы вычислить все оценки параметра, не ограниченные Mdl (т.е. ограниченные параметры знали значения).

EstMdl является полностью заданной условной моделью отклонения. Чтобы вывести условные отклонения для диагностической проверки, передайте EstMdl infer. Чтобы моделировать или предсказать условные отклонения, передайте EstMdl simulate или forecast, соответственно.

Ковариационная матрица отклонения оценок наибольшего правдоподобия параметров модели, известных оптимизатору, возвращенному как числовая матрица.

Строки и столбцы, сопоставленные с любыми параметрами, оцененными наибольшим правдоподобием, содержат ковариации ошибки оценки. Стандартные погрешности оценок параметра являются квадратным корнем из записей по основной диагонали.

Строки и столбцы сопоставили с любыми параметрами, которые считаются зафиксированные, когда ограничения равенства содержат 0 s.

estimate использует векторное произведение градиентов (OPG) метод, чтобы выполнить оценку ковариационной матрицы.

estimate заказывает параметры в EstParamCov можно следующим образом:

  • Постоянный

  • Ненулевые коэффициенты GARCH в положительных задержках

  • Ненулевые коэффициенты ДУГИ в положительных задержках

  • Для моделей EGARCH и GJR, ненулевых коэффициентов рычагов в положительных задержках

  • Степени свободы (только инновационное распределение t)

  • Сместите (модели только с ненулевым смещением)

Типы данных: double

Оптимизированное loglikelihood значение целевой функции, возвращенное как скаляр.

Типы данных: double

Итоговая информация, возвращенная как структура.

Поле Описание
exitflagВыходной флаг оптимизации (см. fmincon в Optimization Toolbox),
optionsКонтроллер опций оптимизации (см. optimoptions и fmincon в Optimization Toolbox),
XВектор итоговых оценок параметра
X0Вектор начальных оценок параметра

Например, можно отобразить вектор итоговых оценок путем ввода info.X в Командном окне.

Типы данных: struct

Советы

  • К значениям доступа результатов оценки, включая количество свободных параметров в модели, EstMdl передачи к summarize.

Ссылки

[1] Боллерслев, T. “Обобщенный Авторегрессивный Условный Heteroskedasticity”. Журнал Эконометрики. Издание 31, 1986, стр 307–327.

[2] Боллерслев, T. “Условно Модель Временных рядов Heteroskedastic за Спекулятивные Цены и Нормы прибыли”. Анализ Экономики и Статистики. Издание 69, 1987, стр 542–547.

[3] Поле, G. E. P. Г. М. Дженкинс и Г. К. Рейнсель. Анализ timeseries: Прогнозирование и Управление. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1994.

[4] Enders, W. Прикладные эконометрические временные ряды. Хобокен, NJ: John Wiley & Sons, 1995.

[5] Энгл, R. F. “Авторегрессивный Условный Heteroskedasticity с Оценками Отклонения Инфляции Соединенного Королевства”. Econometrica. Издание 50, 1982, стр 987–1007.

[6] Glosten, L. R. Р. Джейгэннэзэн и Д. Э. Ранкл. “На Отношении между Ожидаемым значением и Энергозависимостью Номинального Избыточного Возврата на Запасах”. Журнал Финансов. Издание 48, № 5, 1993, стр 1779–1801.

[7] Грин, В. Х. Эконометрик Анэлизис. 3-й редактор Верхний Сэддл-Ривер, NJ: Prentice Hall, 1997.

[8] Гамильтон, J. D. Анализ timeseries. Принстон, NJ: Издательство Принстонского университета, 1994.

Представленный в R2012a

Для просмотра документации необходимо авторизоваться на сайте