Чтобы создать модель нескольких данных временных рядов, выберите форму модели VAR и подходящие параметры к данным. Когда у вас есть подобранная модель, проверяйте, соответствует ли модель данным соответственно.
Чтобы подобрать модель к данным, вы должны иметь:
Данные временных рядов, как описано в Многомерных Данных временных рядов
По крайней мере одна структура спецификации модели временных рядов, как описано в Многомерном Создании Модели Временных рядов
Существует несколько функций Econometrics Toolbox™, которые помогают этим задачам, включая:
estimate, который соответствует моделям VARX.
summarize, который отображает и возвращает оценки параметра и другую итоговую статистику от подбора кривой модели.
lratiotest и aicbic, который может помочь определить количество задержек, чтобы включать в модель.
infer, который выводит образцовые невязки для диагностической проверки.
forecast, который создает прогнозы, которые могут использоваться, чтобы проверять соответствие подгонки, как описано в Прогнозировании Модели VAR, Симуляции и Анализе
estimate выполняет оценку параметра для моделей VAR и VARX только. Для определений этих условий и других образцовых определений, смотрите Типы Многомерных Моделей Временных рядов. Для примера подбора кривой модели VAR к данным сочтите целесообразным Модель VAR CPI и Уровня безработицы.
Прежде, чем соответствовать модели к данным, estimate требует, по крайней мере, чтобы преддемонстрационные наблюдения Mdl.PMdl является объектом модели varm, и P является свойством, хранящим степень модели. Можно задать собственные преддемонстрационные наблюдения с помощью аргумента пары "имя-значение" 'Y0'. Или по умолчанию estimate берет первые наблюдения Mdl.PY, которые не содержат отсутствующих значений. Поэтому, если вы позволяете estimate взять необходимые преддемонстрационные наблюдения из входных данных об ответе Y, затем эффективные уменьшения объема выборки.
estimate находит оценки наибольшего правдоподобия параметров существующими в модели. А именно, estimate оценивает параметры, соответствующие этим свойствам модели varm: Constant, AR, Trend, Beta и Covariance. Для моделей VAR estimate использует алгоритм прямого решения, который не требует никаких итераций. Для моделей VARX estimate оптимизирует вероятность с помощью алгоритма условной максимизации ожидания (ECM). Итерации обычно сходятся быстро, если два или больше внешних потока данных не пропорциональны друг другу. В этом случае нет никакого уникального средства оценки наибольшего правдоподобия, и итерации не могут сходиться. Можно определить максимальный номер итераций с аргументом пары "имя-значение" MaxIterations estimate, который имеет значение по умолчанию 1000.
estimate удаляет целые наблюдения из данных, содержащих по крайней мере одно отсутствующее значение (NaN). Для получения дополнительной информации смотрите estimate.
estimate вычисляет loglikelihood данных, давая его как вывод подобранной модели. Используйте этот вывод в тестировании качества модели. Например, смотрите Определение Соответствующего Количества Задержек и Исследования Устойчивости Подобранной модели.
При вводе имя подобранной модели в командной строке, вы получаете объектные сводные данные. В строке Description сводных данных varm указывает, является ли модель VAR стабильной или стационарной.
Другой способ определить стационарность модели VAR состоит в том, чтобы создать объект полинома оператора задержки с помощью предполагаемых коэффициентов авторегрессии (см. LagOP), и затем передача оператора задержки к isStable. Например, предположите, что EstMdl является предполагаемой моделью VAR. Следующее показывает, как определить устойчивость модели с помощью объектов полинома оператора задержки. Заметьте, что LagOp требует коэффициента задержки 0.
ar = [{eye(3)} ar]; % Include the lag 0 coefficient.
Mdl = LagOp(ar);
Mdl = reflect(Mdl); % Negate all lags > 0
isStable(Mdl)Если модель VAR стабильна, то isStable возвращает булево значение 1 и 0 в противном случае. Компоненты регрессии могут дестабилизировать в противном случае стабильную модель VAR. Однако можно использовать процесс, чтобы определить устойчивость полинома VAR в модели.
Стабильные модели приводят к надежным результатам, в то время как нестабильные единицы не могут.
Устойчивость и обратимость эквивалентны всем собственным значениям связанных операторов задержки, имеющих модуль меньше чем 1. На самом деле isStable оценивает эти количества путем вычисления собственных значений. Для получения дополнительной информации смотрите isStable или Гамильтон [56].