disp

Класс: ssm

Отобразите итоговую информацию для модели в пространстве состояний

расширьте все на странице

Синтаксис

disp(Mdl)

disp(Mdl,params)

disp(___,Name,Value)

Описание

пример

disp(Mdl) информация о сводных данных отображений для модели в пространстве состояний (объект модели ssm) Mdl. Отображение включает состояние и уравнения наблюдения как система скалярных уравнений, чтобы упростить образцовую верификацию. Отображение также включает содействующую размерность, обозначение и типы распределения начального состояния.

Программное обеспечение отображает неизвестные значения параметров с помощью c1 для первого неизвестного параметра, c2 для второго неизвестного параметра, и так далее.

Для изменяющихся во времени моделей больше чем с 20 различными системами уравнений программное обеспечение отображает первые и последние 10 групп с точки зрения времени (последняя группа является последней).

пример

disp(Mdl,params) отображает модель ssm Mdl и применяет начальные значения к параметрам модели (params).

пример

disp(___,Name,Value) отображает модель ssm с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value. Например, можно задать количество цифр, чтобы отобразиться после десятичной точки для коэффициентов модели или количества условий на строку для уравнений наблюдения и состояния. Можно комбинировать с любым синтаксом из перечисленных выше.

Входные параметры

развернуть все

`Mdl` — Стандартная модель в пространстве состояний
Объект модели `ssm`

Стандартная модель в пространстве состояний, заданная как объект модели ssm, возвращенный ssm или estimate.

`params` — Начальные значения для неизвестных параметров
`[]` (значение по умолчанию) | числовой вектор

Начальные значения для неизвестных параметров, заданных как числовой вектор.

Элементы params соответствуют неизвестным параметрам в матрицах модели в пространстве состояний A, B, C, и D, и, опционально, начальное состояние означают Mean0 и ковариационную матрицу Cov0.

Если вы создали Mdl явным образом (то есть, путем определения матриц без функции отображения параметра к матрице), то программное обеспечение сопоставляет элементы params к NaN s в матрицах модели в пространстве состояний и значениях начального состояния. Программное обеспечение ищет NaN s по столбцам, выполняя приказ A, B, C, D, Mean0, Cov0.
Если бы вы создали Mdl неявно (то есть, путем определения матриц с функцией отображения параметра к матрице), то необходимо установить начальные значения параметров для матриц модели в пространстве состояний, значений начального состояния и типов состояния в функции отображения параметра к матрицам.

Чтобы установить тип распределения начального состояния, смотрите ssm.

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.

`'MaxStateEq'` — Максимальное количество уравнений, чтобы отобразиться
`100` (значение по умолчанию) | положительное целое число

Максимальное количество уравнений, чтобы отобразиться, заданный как пара, разделенная запятой, состоящая из 'MaxStateEq' и положительного целого числа. Если максимальное количество состояний среди всех периодов не больше, чем MaxStateEq, то программное обеспечение отображает образцовое уравнение уравнением.

Пример: 'MaxStateEq',10

Типы данных: double

`'NumDigits'` — Количество цифр, чтобы отобразиться после десятичной точки
`2` (значение по умолчанию) | неотрицательное целое число

Количество цифр, чтобы отобразиться после десятичной точки для известных или оцененных коэффициентов модели, заданных как пара, разделенная запятой, состоящая из 'NumDigits' и неотрицательного целого числа.

Пример: 'NumDigits',0

Типы данных: double

`'Period'` — Период, чтобы отобразить состояние и уравнения наблюдения
положительное целое число

Период, чтобы отобразить состояние и уравнения наблюдения для изменяющихся во времени моделей в пространстве состояний, заданных как пара, разделенная запятой, состоящая из 'Period' и положительного целого числа.

По умолчанию программное обеспечение отображает состояние и уравнения наблюдения в течение всех периодов.

Если Period превышает максимальное количество наблюдений, что модель поддерживает, то состояние отображений программного обеспечения и уравнения наблюдения в течение всех периодов. Если модель имеет больше чем 20 различных систем уравнений, то программное обеспечение отображает первые и последние 10 групп с точки зрения времени (последняя группа является последней).

Пример: 'Period',120

Типы данных: double

`'PredictorsPerRow'` — Количество уравнения называет, чтобы отобразиться на строку
`5` (значение по умолчанию) | положительное целое число

Количество уравнения называет, чтобы отобразиться на строку, заданную как пара, разделенная запятой, состоящая из 'PredictorsPerRow' и положительного целого числа.

Пример: 'PredictorsPerRow',3

Типы данных: double

Примеры

развернуть все

Проверьте явным образом созданную модель в пространстве состояний

Скрипт Open Live Script

Важный шаг в анализе модели в пространстве состояний должен гарантировать, что программное обеспечение интерпретирует состояние и матрицы уравнения наблюдения, как вы предназначаете. Используйте disp, чтобы помочь вам проверить модель в пространстве состояний.

Задайте модель в пространстве состояний, где уравнение состояния является моделью AR (2), и уравнение наблюдения является различием между текущим и предыдущим состоянием плюс ошибка наблюдения. Символически, модель в пространстве состояний

$[\begin{array}{cccccccccccccccccccc} x_{1, t} \\ x_{2, t} \\ x_{3, t} \end{array}] = [\begin{array}{cccccccccccccccccccc} 0.6 & 0.2 & 0.5 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{array}] [\begin{array}{cccccccccccccccccccc} x_{1, t - 1} \\ x_{2, t - 1} \\ x_{3, t - 1} \end{array}] + [\begin{array}{cccccccccccccccccccc} 0.3 \\ 0 \\ 0 \end{array}] u_{1, t}$

$y_{t} = [\begin{array}{cccccccccccccccccccc} 1 & - 1 & 0 \end{array}] [\begin{array}{cccccccccccccccccccc} x_{1, t} \\ x_{2, t} \\ x_{3, t} \end{array}] + 0.1 ε_{t} .$

Существует три состояния: $x_{1, t}$ AR (2) процесс, $x_{2, t}$ представляет $x_{1, t - 1}$ , и $x_{3, t}$ постоянная модель AR (2).

Задайте матрицу Грина.

A = [0.6 0.2 0.5; 1 0 0; 0 0 1];

Задайте матрицу загрузки воздействия состояния.

B = [0.3; 0; 0];

Задайте матрицу чувствительности измерения.

C = [1 -1 0];

Задайте матрицу инноваций наблюдения.

D = 0.1;

Задайте модель в пространстве состояний с помощью ssm. Установите среднее значение начального состояния (Mean0) и ковариационная матрица (Cov0). Идентифицируйте тип дистрибутивов начального состояния (StateType) путем замечания следующего:

$x_{1, t}$ стационарное, AR (2) процесс.
$x_{2, t}$ также стационарное, AR (2) процесс.
$x_{3, t}$ постоянный 1 в течение всех периодов.

Mean0 = [0; 0; 1];                                        % The mean of the AR(2)
varAR2 = 0.3*(1 - 0.2)/((1 + 0.2)*((1 - 0.2)^2 - 0.6^2)); % The variance of the AR(2)
Cov1AR2 = 0.6*0.3/((1 + 0.2)*((1 - 0.2)^2) - 0.6^2);      % The covariance of the AR(2)
Cov0 = zeros(3);
Cov0(1:2,1:2) = varAR2*eye(2) + Cov1AR2*flip(eye(2));
StateType = [0; 0; 1];
Mdl = ssm(A,B,C,D,'Mean0',Mean0,'Cov0',Cov0,'StateType',StateType);

Mdl является моделью ssm.

Проверьте модель в пространстве состояний с помощью disp.

disp(Mdl)

State-space model type: ssm

State vector length: 3
Observation vector length: 1
State disturbance vector length: 1
Observation innovation vector length: 1
Sample size supported by model: Unlimited

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...

State equations:
x1(t) = (0.60)x1(t-1) + (0.20)x2(t-1) + (0.50)x3(t-1) + (0.30)u1(t)
x2(t) = x1(t-1)
x3(t) = x3(t-1)

Observation equation:
y1(t) = x1(t) - x2(t) + (0.10)e1(t)

Initial state distribution:

Initial state means
 x1  x2  x3 
  0   0   1 

Initial state covariance matrix
     x1    x2    x3 
 x1  0.71  0.44   0 
 x2  0.44  0.71   0 
 x3   0     0     0 

State types
     x1          x2         x3    
 Stationary  Stationary  Constant

Отобразите модель в пространстве состояний и начальные значения

Скрипт Open Live Script

Задайте модель в пространстве состояний, содержащую два независимых, авторегрессивных состояния, и где наблюдения являются детерминированной суммой двух состояний. Символически, система уравнений

$[\begin{array}{cccccccccccccccccccc} x_{t, 1} \\ x_{t, 2} \end{array}] = [\begin{array}{cccccccccccccccccccc} ϕ_{1} & 0 \\ 0 & ϕ_{2} \end{array}] [\begin{array}{cccccccccccccccccccc} x_{t - 1, 1} \\ x_{t - 1, 2} \end{array}] + [\begin{array}{cccccccccccccccccccc} σ_{1} & 0 \\ 0 & σ_{2} \end{array}] [\begin{array}{cccccccccccccccccccc} u_{t, 1} \\ u_{t, 2} \end{array}]$

$y_{t} = [\begin{array}{cccccccccccccccccccc} 1 & 1 \end{array}] [\begin{array}{cccccccccccccccccccc} x_{t, 1} \\ x_{t, 2} \end{array}] .$

Задайте матрицу Грина.

A = [NaN 0; 0 NaN];

Задайте матрицу загрузки воздействия состояния.

B = [NaN 0; 0 NaN];

Задайте матрицу чувствительности измерения.

C = [1 1];

Задайте пустую матрицу для матрицы воздействия наблюдения.

D = [];

Используйте ssm, чтобы задать модель в пространстве состояний. Задайте средние значения начального состояния и ковариационную матрицу к как неизвестные параметры. Укажите, что состояния являются стационарными.

Mean0 = nan(2,1);
Cov0 = nan(2,2);
StateType = zeros(2,1);
Mdl = ssm(A,B,C,D,'Mean0',Mean0,'Cov0',Cov0,'StateType',StateType);

Mdl является моделью ssm, содержащей неизвестные параметры.

Используйте disp, чтобы отобразить модель в пространстве состояний. Задайте начальные значения для неизвестных параметров и средних значений начального состояния и ковариационной матрицы можно следующим образом:

$ϕ_{1, 0} = ϕ_{2, 0} = 0.1$ .
$σ_{1, 0} = σ_{2, 0} = 0.2$ .
$x_{1, 0} = 1$ и $x_{2, 0} = 0.5$ .
$Σ_{x_{1, 0}, x_{2, 0}} = I_{2}$ .

params = [0.1; 0.1; 0.2; 0.2; 1; 0.5; 1; 0; 0; 1];
disp(Mdl,params)

State-space model type: ssm

State vector length: 2
Observation vector length: 1
State disturbance vector length: 2
Observation innovation vector length: 0
Sample size supported by model: Unlimited
Unknown parameters for estimation: 10

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations:
x1(t) = (c1)x1(t-1) + (c3)u1(t)
x2(t) = (c2)x2(t-1) + (c4)u2(t)

Observation equation:
y1(t) = x1(t) + x2(t)

Initial state distribution:

Initial state means
 x1   x2  
  1  0.50 

Initial state covariance matrix
     x1  x2 
 x1   1   0 
 x2   0   1 

State types
     x1          x2     
 Stationary  Stationary

Явным образом создайте и отобразите изменяющуюся во времени модель в пространстве состояний

Скрипт Open Live Script

С периодов 1 - 50, модель состояния является AR (2) и модель MA (1), и модель наблюдения является суммой двух состояний. С периодов 51 - 100, модель состояния включает первую модель AR (2) только. Символически, модель в пространстве состояний, в течение периодов 1 - 50,

$\begin{array}{c} [\begin{array}{cccccccccccccccccccc} x_{1, t} \\ x_{2, t} \\ x_{3, t} \\ x_{4, t} \end{array}] = [\begin{array}{cccccccccccccccccccc} ϕ_{1} & ϕ_{2} & 0 & 0 \\ 1 & 0 & 0 & 0 \\ 0 & 0 & 0 & θ \\ 0 & 0 & 0 & 0 \end{array}] [\begin{array}{cccccccccccccccccccc} x_{1, t - 1} \\ x_{2, t - 1} \\ x_{3, t - 1} \\ x_{4, t - 1} \end{array}] + [\begin{array}{cccccccccccccccccccc} σ_{1} & 0 \\ 0 & 0 \\ 0 & 1 \\ 0 & 1 \end{array}] [\begin{array}{cccccccccccccccccccc} u_{1, t} \\ u_{3, t} \end{array}] \\ y_{t} = a_{1} (x_{1, t} + x_{3, t}) + σ_{2} ε_{t} \end{array},$

в течение периода 51,

$\begin{array}{c} [\begin{array}{cccccccccccccccccccc} x_{1, t} \\ x_{2, t} \end{array}] = [\begin{array}{cccccccccccccccccccc} ϕ_{1} & ϕ_{2} & 0 & 0 \\ 1 & 0 & 0 & 0 \end{array}] [\begin{array}{cccccccccccccccccccc} x_{1, t - 1} \\ x_{2, t - 1} \\ x_{3, t - 1} \\ x_{4, t - 1} \end{array}] + [\begin{array}{cccccccccccccccccccc} σ_{1} \\ 0 \end{array}] u_{1, t} \\ y_{t} = a_{2} x_{1 t} + σ_{3} ε_{t} \end{array}$

и в течение периодов 52 - 100,

$\begin{array}{c} [\begin{array}{cccccccccccccccccccc} x_{1, t} \\ x_{2, t} \end{array}] = [\begin{array}{cccccccccccccccccccc} ϕ_{1} & ϕ_{2} \\ 1 & 0 \end{array}] [\begin{array}{cccccccccccccccccccc} x_{1, t - 1} \\ x_{2, t - 1} \end{array}] + [\begin{array}{cccccccccccccccccccc} σ_{1} & 0 \\ 0 & 0 \end{array}] u_{1, t} \\ y_{t} = a_{2} x_{1, t} + σ_{3} ε_{t} . \end{array}$

Задайте матрицу коэффициентов изменения состояния.

A1 = {[NaN NaN 0 0; 1 0 0 0; 0 0 0 NaN; 0 0 0 0]};
A2 = {[NaN NaN 0 0; 1 0 0 0]};
A3 = {[NaN NaN; 1 0]};
A = [repmat(A1,50,1);A2;repmat(A3,49,1)];

Задайте матрицу коэффициентов загрузки воздействия состояния.

B1 = {[NaN 0;0 0; 0 1; 0 1]};
B2 = {[NaN; 0]};
B3 = {[NaN; 0]};
B = [repmat(B1,50,1);B2;repmat(B3,49,1)];

Задайте матрицу коэффициентов чувствительности измерения.

C1 = {[NaN 0 NaN 0]};
C3 = {[NaN 0]};
C = [repmat(C1,50,1);repmat(C3,50,1)];

Задайте матрицу коэффициентов воздействия наблюдения.

D1 = {NaN};
D3 = {NaN};
D = [repmat(D1,50,1);repmat(D3,50,1)];

Задайте модель в пространстве состояний. Установите средние значения начального состояния и ковариационную матрицу к неизвестным параметрам. Укажите, что дистрибутивы начального состояния являются стационарными.

Mean0 = nan(4,1);
Cov0 = nan(4,4);
StateType = [0; 0; 0; 0];

Mdl = ssm(A,B,C,D,'Mean0',Mean0,'Cov0',Cov0,'StateType',StateType);

Mdl является моделью ssm.

Модель является большой и содержит различный набор параметров в течение каждого периода. Программное обеспечение отображает состояние и уравнения наблюдения для первых 10 и последних 10 периодов. Можно выбрать который периоды отобразить уравнения для использования аргумента пары "имя-значение" 'Period'.

Отобразите модель в пространстве состояний и используйте 'Period', чтобы отобразить состояние и уравнения наблюдения в течение 50-х, 51-х, и 52-х периодов.

disp(Mdl,'Period',50)

State-space model type: ssm

State vector length: Time-varying
Observation vector length: 1
State disturbance vector length: Time-varying
Observation innovation vector length: 1
Sample size supported by model: 100
Unknown parameters for estimation: 620

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations (in period 50):
x1(t) = (c148)x1(t-1) + (c149)x2(t-1) + (c300)u1(t)
x2(t) = x1(t-1)
x3(t) = (c150)x4(t-1) + u2(t)
x4(t) = u2(t)
Time-varying transition matrix A contains unknown parameters:
c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 
c21 c22 c23 c24 c25 c26 c27 c28 c29 c30 c31 c32 c33 c34 c35 c36 c37 c38 c39 c40 
c41 c42 c43 c44 c45 c46 c47 c48 c49 c50 c51 c52 c53 c54 c55 c56 c57 c58 c59 c60 
c61 c62 c63 c64 c65 c66 c67 c68 c69 c70 c71 c72 c73 c74 c75 c76 c77 c78 c79 c80 
c81 c82 c83 c84 c85 c86 c87 c88 c89 c90 c91 c92 c93 c94 c95 c96 c97 c98 c99 c100 
c101 c102 c103 c104 c105 c106 c107 c108 c109 c110 c111 c112 c113 c114 c115 c116 c117 c118 c119 c120 
c121 c122 c123 c124 c125 c126 c127 c128 c129 c130 c131 c132 c133 c134 c135 c136 c137 c138 c139 c140 
c141 c142 c143 c144 c145 c146 c147 c148 c149 c150 c151 c152 c153 c154 c155 c156 c157 c158 c159 c160 
c161 c162 c163 c164 c165 c166 c167 c168 c169 c170 c171 c172 c173 c174 c175 c176 c177 c178 c179 c180 
c181 c182 c183 c184 c185 c186 c187 c188 c189 c190 c191 c192 c193 c194 c195 c196 c197 c198 c199 c200 
c201 c202 c203 c204 c205 c206 c207 c208 c209 c210 c211 c212 c213 c214 c215 c216 c217 c218 c219 c220 
c221 c222 c223 c224 c225 c226 c227 c228 c229 c230 c231 c232 c233 c234 c235 c236 c237 c238 c239 c240 
c241 c242 c243 c244 c245 c246 c247 c248 c249 c250 
Time-varying state disturbance loading matrix B contains unknown parameters:
c251 c252 c253 c254 c255 c256 c257 c258 c259 c260 c261 c262 c263 c264 c265 c266 c267 c268 c269 c270 
c271 c272 c273 c274 c275 c276 c277 c278 c279 c280 c281 c282 c283 c284 c285 c286 c287 c288 c289 c290 
c291 c292 c293 c294 c295 c296 c297 c298 c299 c300 c301 c302 c303 c304 c305 c306 c307 c308 c309 c310 
c311 c312 c313 c314 c315 c316 c317 c318 c319 c320 c321 c322 c323 c324 c325 c326 c327 c328 c329 c330 
c331 c332 c333 c334 c335 c336 c337 c338 c339 c340 c341 c342 c343 c344 c345 c346 c347 c348 c349 c350 

Observation equation (in period 50):
y1(t) = (c449)x1(t) + (c450)x3(t) + (c550)e1(t)
Time-varying measurement sensitivity matrix C contains unknown parameters:
c351 c352 c353 c354 c355 c356 c357 c358 c359 c360 c361 c362 c363 c364 c365 c366 c367 c368 c369 c370 
c371 c372 c373 c374 c375 c376 c377 c378 c379 c380 c381 c382 c383 c384 c385 c386 c387 c388 c389 c390 
c391 c392 c393 c394 c395 c396 c397 c398 c399 c400 c401 c402 c403 c404 c405 c406 c407 c408 c409 c410 
c411 c412 c413 c414 c415 c416 c417 c418 c419 c420 c421 c422 c423 c424 c425 c426 c427 c428 c429 c430 
c431 c432 c433 c434 c435 c436 c437 c438 c439 c440 c441 c442 c443 c444 c445 c446 c447 c448 c449 c450 
c451 c452 c453 c454 c455 c456 c457 c458 c459 c460 c461 c462 c463 c464 c465 c466 c467 c468 c469 c470 
c471 c472 c473 c474 c475 c476 c477 c478 c479 c480 c481 c482 c483 c484 c485 c486 c487 c488 c489 c490 
c491 c492 c493 c494 c495 c496 c497 c498 c499 c500 
Time-varying observation innovation loading matrix D contains unknown parameters:
c501 c502 c503 c504 c505 c506 c507 c508 c509 c510 c511 c512 c513 c514 c515 c516 c517 c518 c519 c520 
c521 c522 c523 c524 c525 c526 c527 c528 c529 c530 c531 c532 c533 c534 c535 c536 c537 c538 c539 c540 
c541 c542 c543 c544 c545 c546 c547 c548 c549 c550 c551 c552 c553 c554 c555 c556 c557 c558 c559 c560 
c561 c562 c563 c564 c565 c566 c567 c568 c569 c570 c571 c572 c573 c574 c575 c576 c577 c578 c579 c580 
c581 c582 c583 c584 c585 c586 c587 c588 c589 c590 c591 c592 c593 c594 c595 c596 c597 c598 c599 c600 

Initial state distribution:

Initial state means
  x1   x2   x3   x4 
 NaN  NaN  NaN  NaN 

Initial state covariance matrix
     x1   x2   x3   x4  
 x1  NaN  NaN  NaN  NaN 
 x2  NaN  NaN  NaN  NaN 
 x3  NaN  NaN  NaN  NaN 
 x4  NaN  NaN  NaN  NaN 

State types
     x1          x2          x3          x4     
 Stationary  Stationary  Stationary  Stationary

disp(Mdl,'Period',51)

State-space model type: ssm

State vector length: Time-varying
Observation vector length: 1
State disturbance vector length: Time-varying
Observation innovation vector length: 1
Sample size supported by model: 100
Unknown parameters for estimation: 620

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations (in period 51):
x1(t) = (c151)x1(t-1) + (c152)x2(t-1) + (c301)u1(t)
x2(t) = x1(t-1)
Time-varying transition matrix A contains unknown parameters:
c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 
c21 c22 c23 c24 c25 c26 c27 c28 c29 c30 c31 c32 c33 c34 c35 c36 c37 c38 c39 c40 
c41 c42 c43 c44 c45 c46 c47 c48 c49 c50 c51 c52 c53 c54 c55 c56 c57 c58 c59 c60 
c61 c62 c63 c64 c65 c66 c67 c68 c69 c70 c71 c72 c73 c74 c75 c76 c77 c78 c79 c80 
c81 c82 c83 c84 c85 c86 c87 c88 c89 c90 c91 c92 c93 c94 c95 c96 c97 c98 c99 c100 
c101 c102 c103 c104 c105 c106 c107 c108 c109 c110 c111 c112 c113 c114 c115 c116 c117 c118 c119 c120 
c121 c122 c123 c124 c125 c126 c127 c128 c129 c130 c131 c132 c133 c134 c135 c136 c137 c138 c139 c140 
c141 c142 c143 c144 c145 c146 c147 c148 c149 c150 c151 c152 c153 c154 c155 c156 c157 c158 c159 c160 
c161 c162 c163 c164 c165 c166 c167 c168 c169 c170 c171 c172 c173 c174 c175 c176 c177 c178 c179 c180 
c181 c182 c183 c184 c185 c186 c187 c188 c189 c190 c191 c192 c193 c194 c195 c196 c197 c198 c199 c200 
c201 c202 c203 c204 c205 c206 c207 c208 c209 c210 c211 c212 c213 c214 c215 c216 c217 c218 c219 c220 
c221 c222 c223 c224 c225 c226 c227 c228 c229 c230 c231 c232 c233 c234 c235 c236 c237 c238 c239 c240 
c241 c242 c243 c244 c245 c246 c247 c248 c249 c250 
Time-varying state disturbance loading matrix B contains unknown parameters:
c251 c252 c253 c254 c255 c256 c257 c258 c259 c260 c261 c262 c263 c264 c265 c266 c267 c268 c269 c270 
c271 c272 c273 c274 c275 c276 c277 c278 c279 c280 c281 c282 c283 c284 c285 c286 c287 c288 c289 c290 
c291 c292 c293 c294 c295 c296 c297 c298 c299 c300 c301 c302 c303 c304 c305 c306 c307 c308 c309 c310 
c311 c312 c313 c314 c315 c316 c317 c318 c319 c320 c321 c322 c323 c324 c325 c326 c327 c328 c329 c330 
c331 c332 c333 c334 c335 c336 c337 c338 c339 c340 c341 c342 c343 c344 c345 c346 c347 c348 c349 c350 

Observation equation (in period 51):
y1(t) = (c451)x1(t) + (c551)e1(t)
Time-varying measurement sensitivity matrix C contains unknown parameters:
c351 c352 c353 c354 c355 c356 c357 c358 c359 c360 c361 c362 c363 c364 c365 c366 c367 c368 c369 c370 
c371 c372 c373 c374 c375 c376 c377 c378 c379 c380 c381 c382 c383 c384 c385 c386 c387 c388 c389 c390 
c391 c392 c393 c394 c395 c396 c397 c398 c399 c400 c401 c402 c403 c404 c405 c406 c407 c408 c409 c410 
c411 c412 c413 c414 c415 c416 c417 c418 c419 c420 c421 c422 c423 c424 c425 c426 c427 c428 c429 c430 
c431 c432 c433 c434 c435 c436 c437 c438 c439 c440 c441 c442 c443 c444 c445 c446 c447 c448 c449 c450 
c451 c452 c453 c454 c455 c456 c457 c458 c459 c460 c461 c462 c463 c464 c465 c466 c467 c468 c469 c470 
c471 c472 c473 c474 c475 c476 c477 c478 c479 c480 c481 c482 c483 c484 c485 c486 c487 c488 c489 c490 
c491 c492 c493 c494 c495 c496 c497 c498 c499 c500 
Time-varying observation innovation loading matrix D contains unknown parameters:
c501 c502 c503 c504 c505 c506 c507 c508 c509 c510 c511 c512 c513 c514 c515 c516 c517 c518 c519 c520 
c521 c522 c523 c524 c525 c526 c527 c528 c529 c530 c531 c532 c533 c534 c535 c536 c537 c538 c539 c540 
c541 c542 c543 c544 c545 c546 c547 c548 c549 c550 c551 c552 c553 c554 c555 c556 c557 c558 c559 c560 
c561 c562 c563 c564 c565 c566 c567 c568 c569 c570 c571 c572 c573 c574 c575 c576 c577 c578 c579 c580 
c581 c582 c583 c584 c585 c586 c587 c588 c589 c590 c591 c592 c593 c594 c595 c596 c597 c598 c599 c600 

Initial state distribution:

Initial state means
  x1   x2   x3   x4 
 NaN  NaN  NaN  NaN 

Initial state covariance matrix
     x1   x2   x3   x4  
 x1  NaN  NaN  NaN  NaN 
 x2  NaN  NaN  NaN  NaN 
 x3  NaN  NaN  NaN  NaN 
 x4  NaN  NaN  NaN  NaN 

State types
     x1          x2          x3          x4     
 Stationary  Stationary  Stationary  Stationary

disp(Mdl,'Period',52)

State-space model type: ssm

State vector length: Time-varying
Observation vector length: 1
State disturbance vector length: Time-varying
Observation innovation vector length: 1
Sample size supported by model: 100
Unknown parameters for estimation: 620

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations (in period 52):
x1(t) = (c153)x1(t-1) + (c154)x2(t-1) + (c302)u1(t)
x2(t) = x1(t-1)
Time-varying transition matrix A contains unknown parameters:
c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 
c21 c22 c23 c24 c25 c26 c27 c28 c29 c30 c31 c32 c33 c34 c35 c36 c37 c38 c39 c40 
c41 c42 c43 c44 c45 c46 c47 c48 c49 c50 c51 c52 c53 c54 c55 c56 c57 c58 c59 c60 
c61 c62 c63 c64 c65 c66 c67 c68 c69 c70 c71 c72 c73 c74 c75 c76 c77 c78 c79 c80 
c81 c82 c83 c84 c85 c86 c87 c88 c89 c90 c91 c92 c93 c94 c95 c96 c97 c98 c99 c100 
c101 c102 c103 c104 c105 c106 c107 c108 c109 c110 c111 c112 c113 c114 c115 c116 c117 c118 c119 c120 
c121 c122 c123 c124 c125 c126 c127 c128 c129 c130 c131 c132 c133 c134 c135 c136 c137 c138 c139 c140 
c141 c142 c143 c144 c145 c146 c147 c148 c149 c150 c151 c152 c153 c154 c155 c156 c157 c158 c159 c160 
c161 c162 c163 c164 c165 c166 c167 c168 c169 c170 c171 c172 c173 c174 c175 c176 c177 c178 c179 c180 
c181 c182 c183 c184 c185 c186 c187 c188 c189 c190 c191 c192 c193 c194 c195 c196 c197 c198 c199 c200 
c201 c202 c203 c204 c205 c206 c207 c208 c209 c210 c211 c212 c213 c214 c215 c216 c217 c218 c219 c220 
c221 c222 c223 c224 c225 c226 c227 c228 c229 c230 c231 c232 c233 c234 c235 c236 c237 c238 c239 c240 
c241 c242 c243 c244 c245 c246 c247 c248 c249 c250 
Time-varying state disturbance loading matrix B contains unknown parameters:
c251 c252 c253 c254 c255 c256 c257 c258 c259 c260 c261 c262 c263 c264 c265 c266 c267 c268 c269 c270 
c271 c272 c273 c274 c275 c276 c277 c278 c279 c280 c281 c282 c283 c284 c285 c286 c287 c288 c289 c290 
c291 c292 c293 c294 c295 c296 c297 c298 c299 c300 c301 c302 c303 c304 c305 c306 c307 c308 c309 c310 
c311 c312 c313 c314 c315 c316 c317 c318 c319 c320 c321 c322 c323 c324 c325 c326 c327 c328 c329 c330 
c331 c332 c333 c334 c335 c336 c337 c338 c339 c340 c341 c342 c343 c344 c345 c346 c347 c348 c349 c350 

Observation equation (in period 52):
y1(t) = (c452)x1(t) + (c552)e1(t)
Time-varying measurement sensitivity matrix C contains unknown parameters:
c351 c352 c353 c354 c355 c356 c357 c358 c359 c360 c361 c362 c363 c364 c365 c366 c367 c368 c369 c370 
c371 c372 c373 c374 c375 c376 c377 c378 c379 c380 c381 c382 c383 c384 c385 c386 c387 c388 c389 c390 
c391 c392 c393 c394 c395 c396 c397 c398 c399 c400 c401 c402 c403 c404 c405 c406 c407 c408 c409 c410 
c411 c412 c413 c414 c415 c416 c417 c418 c419 c420 c421 c422 c423 c424 c425 c426 c427 c428 c429 c430 
c431 c432 c433 c434 c435 c436 c437 c438 c439 c440 c441 c442 c443 c444 c445 c446 c447 c448 c449 c450 
c451 c452 c453 c454 c455 c456 c457 c458 c459 c460 c461 c462 c463 c464 c465 c466 c467 c468 c469 c470 
c471 c472 c473 c474 c475 c476 c477 c478 c479 c480 c481 c482 c483 c484 c485 c486 c487 c488 c489 c490 
c491 c492 c493 c494 c495 c496 c497 c498 c499 c500 
Time-varying observation innovation loading matrix D contains unknown parameters:
c501 c502 c503 c504 c505 c506 c507 c508 c509 c510 c511 c512 c513 c514 c515 c516 c517 c518 c519 c520 
c521 c522 c523 c524 c525 c526 c527 c528 c529 c530 c531 c532 c533 c534 c535 c536 c537 c538 c539 c540 
c541 c542 c543 c544 c545 c546 c547 c548 c549 c550 c551 c552 c553 c554 c555 c556 c557 c558 c559 c560 
c561 c562 c563 c564 c565 c566 c567 c568 c569 c570 c571 c572 c573 c574 c575 c576 c577 c578 c579 c580 
c581 c582 c583 c584 c585 c586 c587 c588 c589 c590 c591 c592 c593 c594 c595 c596 c597 c598 c599 c600 

Initial state distribution:

Initial state means
  x1   x2   x3   x4 
 NaN  NaN  NaN  NaN 

Initial state covariance matrix
     x1   x2   x3   x4  
 x1  NaN  NaN  NaN  NaN 
 x2  NaN  NaN  NaN  NaN 
 x3  NaN  NaN  NaN  NaN 
 x4  NaN  NaN  NaN  NaN 

State types
     x1          x2          x3          x4     
 Stationary  Stationary  Stationary  Stationary

Программное обеспечение приписывает различный набор коэффициентов в течение каждого периода. Вы можете испытать числовые проблемы, когда вы оцениваете такие модели. К параметрам повторного использования среди групп периодов рассмотрите создание функции отображения параметра к матрице.

Советы

Программное обеспечение всегда отображает явным образом заданные модели в пространстве состояний (то есть, модели, которые вы создаете, не используя функцию отображения параметра к матрице). Попытка, явным образом задающая модели в пространстве состояний сначала так, чтобы можно было проверить их использующий disp.
Функция параметра к матрице, которую вы задаете, чтобы создать Mdl, является черным квадратом к программному обеспечению. Поэтому программное обеспечение не может отобразить комплекс, неявно заданные модели в пространстве состояний.

Алгоритмы

Если вы неявно создаете Mdl, и если программное обеспечение не может вывести местоположения для неизвестных параметров от функции параметра к матрице, то программное обеспечение оценивает эти параметры с помощью их начальных значений и отображает их как числовые значения. Эта оценка может произойти, когда функция параметра к матрице имеет случайный, неизвестный коэффициент, который является удобной формой для исследования Монте-Карло.
Программное обеспечение отображает дистрибутивы начального состояния как числовые значения. Этот тип отображения происходит, потому что во многих случаях начальное распределение зависит от значений матриц уравнения состояния A и B. Эти значения часто являются сложной функцией неизвестных параметров. В таких ситуациях программное обеспечение не отображает начальное распределение символически. Кроме того, если Mean0 и Cov0 содержат неизвестные параметры, то программное обеспечение оценивает и отображает числовые значения для неизвестных параметров.

Ссылки

[1] Дербин Дж. и С. Дж. Купмен. Анализ Временных рядов Методами Пространства состояний. 2-й редактор Оксфорд: Издательство Оксфордского университета, 2012.

Документация

disp

Синтаксис

Описание

Входные параметры

`Mdl` — Стандартная модель в пространстве состояний
Объект модели `ssm`

`params` — Начальные значения для неизвестных параметров
`[]` (значение по умолчанию) | числовой вектор

Аргументы в виде пар имя-значение

`'MaxStateEq'` — Максимальное количество уравнений, чтобы отобразиться
`100` (значение по умолчанию) | положительное целое число

`'NumDigits'` — Количество цифр, чтобы отобразиться после десятичной точки
`2` (значение по умолчанию) | неотрицательное целое число

`'Period'` — Период, чтобы отобразить состояние и уравнения наблюдения
положительное целое число

`'PredictorsPerRow'` — Количество уравнения называет, чтобы отобразиться на строку
`5` (значение по умолчанию) | положительное целое число

Примеры

Проверьте явным образом созданную модель в пространстве состояний

Отобразите модель в пространстве состояний и начальные значения

Явным образом создайте и отобразите изменяющуюся во времени модель в пространстве состояний

Советы

Алгоритмы

Ссылки

Смотрите также

Темы

Документация Econometrics Toolbox

Поддержка

Документация

disp

Синтаксис

Описание

Входные параметры

Mdl — Стандартная модель в пространстве состояний Объект модели ssm

params — Начальные значения для неизвестных параметров [] (значение по умолчанию) | числовой вектор

Аргументы в виде пар имя-значение

'MaxStateEq' — Максимальное количество уравнений, чтобы отобразиться 100 (значение по умолчанию) | положительное целое число

'NumDigits' — Количество цифр, чтобы отобразиться после десятичной точки 2 (значение по умолчанию) | неотрицательное целое число

'Period' — Период, чтобы отобразить состояние и уравнения наблюдения положительное целое число

'PredictorsPerRow' — Количество уравнения называет, чтобы отобразиться на строку 5 (значение по умолчанию) | положительное целое число

Примеры

Проверьте явным образом созданную модель в пространстве состояний

Отобразите модель в пространстве состояний и начальные значения

Явным образом создайте и отобразите изменяющуюся во времени модель в пространстве состояний

Советы

Алгоритмы

Ссылки

Смотрите также

Темы

Документация Econometrics Toolbox

Поддержка

`Mdl` — Стандартная модель в пространстве состояний
Объект модели `ssm`

`params` — Начальные значения для неизвестных параметров
`[]` (значение по умолчанию) | числовой вектор

`'MaxStateEq'` — Максимальное количество уравнений, чтобы отобразиться
`100` (значение по умолчанию) | положительное целое число

`'NumDigits'` — Количество цифр, чтобы отобразиться после десятичной точки
`2` (значение по умолчанию) | неотрицательное целое число

`'Period'` — Период, чтобы отобразить состояние и уравнения наблюдения
положительное целое число

`'PredictorsPerRow'` — Количество уравнения называет, чтобы отобразиться на строку
`5` (значение по умолчанию) | положительное целое число