Отобразите результаты оценки векторной модели (VAR) авторегрессии
summarize(Mdl)results = summarize(Mdl)summarize( отображает сводные данные модели VAR (p) Mdl)Mdl.
Если Mdl является предполагаемой моделью VAR, возвращенной estimate, то summarize распечатывает результаты оценки к Командному окну MATLAB®. Отображение включает таблицу оценок параметра с соответствующими стандартными погрешностями, статистикой t и p - значения. Сводные данные также включают loglikelihood, Критерий информации о Akaike (AIC), и статистику подгонки модели Bayesian Information Criterion (BIC), а также предполагаемые инновации ковариационные и корреляционные матрицы.
Если Mdl является непредполагаемой моделью VAR, возвращенной varm, то summarize распечатывает отображение стандартного объекта (то же отображение, которое varm распечатывает во время образцового создания).
results = summarize(Mdl)
Если Mdl является предполагаемой моделью VAR, то results является структурой, содержащей результаты оценки.
Если Mdl является непредполагаемой моделью VAR, то results является объектом модели varm, который равен Mdl.
Соответствуйте модели VAR (4) к данным об уровне безработицы и индексу потребительских цен (CPI).
Загрузите набор данных Data_USEconModel.
load Data_USEconModelПостройте два ряда на отдельных графиках.
figure; plot(DataTable.Time,DataTable.CPIAUCSL); title('Consumer Price Index'); ylabel('Index'); xlabel('Date');
figure; plot(DataTable.Time,DataTable.UNRATE); title('Unemployment Rate'); ylabel('Percent'); xlabel('Date');
Стабилизируйте CPI путем преобразования его в серию темпов роста. Синхронизируйте два ряда путем удаления первого наблюдения из ряда уровня безработицы.
rcpi = price2ret(DataTable.CPIAUCSL); unrate = DataTable.UNRATE(2:end);
Создайте модель VAR (4) по умолчанию с помощью краткого синтаксиса.
Mdl = varm(2,4)
Mdl =
varm with properties:
Description: "2-Dimensional VAR(4) Model"
SeriesNames: "Y1" "Y2"
NumSeries: 2
P: 4
Constant: [2×1 vector of NaNs]
AR: {2×2 matrices of NaNs} at lags [1 2 3 ... and 1 more]
Trend: [2×1 vector of zeros]
Beta: [2×0 matrix]
Covariance: [2×2 matrix of NaNs]
Mdl является объектом модели varm. Все свойства, содержащие значения NaN, соответствуют параметрам, чтобы быть оцененными определенными данными.
Оцените модель с помощью целого набора данных.
EstMdl = estimate(Mdl,[rcpi unrate])
EstMdl =
varm with properties:
Description: "AR-Stationary 2-Dimensional VAR(4) Model"
SeriesNames: "Y1" "Y2"
NumSeries: 2
P: 4
Constant: [0.00171639 0.316255]'
AR: {2×2 matrices} at lags [1 2 3 ... and 1 more]
Trend: [2×1 vector of zeros]
Beta: [2×0 matrix]
Covariance: [2×2 matrix]
EstMdl является предполагаемым объектом модели varm. Это полностью задано, потому что все параметры знали значения. Описание указывает, что авторегрессивный полином является стационарным.
Отобразите итоговую статистику от оценки.
summarize(EstMdl)
AR-Stationary 2-Dimensional VAR(4) Model
Effective Sample Size: 241
Number of Estimated Parameters: 18
LogLikelihood: 811.361
AIC: -1586.72
BIC: -1524
Value StandardError TStatistic PValue
___________ _____________ __________ __________
Constant(1) 0.0017164 0.0015988 1.0735 0.28303
Constant(2) 0.31626 0.091961 3.439 0.0005838
AR{1}(1,1) 0.30899 0.063356 4.877 1.0772e-06
AR{1}(2,1) -4.4834 3.6441 -1.2303 0.21857
AR{1}(1,2) -0.0031796 0.0011306 -2.8122 0.004921
AR{1}(2,2) 1.3433 0.065032 20.656 8.546e-95
AR{2}(1,1) 0.22433 0.069631 3.2217 0.0012741
AR{2}(2,1) 7.1896 4.005 1.7951 0.072631
AR{2}(1,2) 0.0012375 0.0018631 0.6642 0.50656
AR{2}(2,2) -0.26817 0.10716 -2.5025 0.012331
AR{3}(1,1) 0.35333 0.068287 5.1742 2.2887e-07
AR{3}(2,1) 1.487 3.9277 0.37858 0.705
AR{3}(1,2) 0.0028594 0.0018621 1.5355 0.12465
AR{3}(2,2) -0.22709 0.1071 -2.1202 0.033986
AR{4}(1,1) -0.047563 0.069026 -0.68906 0.49079
AR{4}(2,1) 8.6379 3.9702 2.1757 0.029579
AR{4}(1,2) -0.00096323 0.0011142 -0.86448 0.38733
AR{4}(2,2) 0.076725 0.064088 1.1972 0.23123
Innovations Covariance Matrix:
0.0000 -0.0002
-0.0002 0.1167
Innovations Correlation Matrix:
1.0000 -0.0925
-0.0925 1.0000
Рассмотрите эти четыре модели VAR индекса потребительских цен (CPI) и уровня безработицы: VAR (0), VAR (1), VAR (4) и VAR (8). Используя исторические данные, оценка каждый, и затем сравнивают образцовые подгонки с помощью получившегося BIC.
Загрузите набор данных Data_USEconModel. Объявите переменные для индекса потребительских цен (CPI) и серия (UNRATE) уровня безработицы. Удалите любые отсутствующие значения с начала ряда.
load Data_USEconModel
cpi = DataTable.CPIAUCSL;
unrate = DataTable.UNRATE;
idx = all(~isnan([cpi unrate]),2);
cpi = cpi(idx);
unrate = unrate(idx);Стабилизируйте CPI путем преобразования его в серию темпов роста. Синхронизируйте два ряда путем удаления первого наблюдения из ряда уровня безработицы.
rcpi = price2ret(cpi); unrate = unrate(2:end);
В цикле:
Создайте модель VAR с помощью краткого синтаксиса.
Оцените Модель VAR. Зарезервируйте максимальное значение p как преддемонстрационные наблюдения.
Сохраните результаты оценки.
numseries = 2; p = [0 1 4 8]; estMdlResults = cell(numel(p),1); % Preallocation Y0 = [rcpi(1:max(p)) unrate(1:max(p))]; Y = [rcpi((max(p) + 1):end) unrate((max(p) + 1):end)]; for j = 1:numel(p) Mdl = varm(numseries,p(j)); EstMdl = estimate(Mdl,Y,'Y0',Y); estMdlResults{j} = summarize(EstMdl); end
estMdlResults является 4 1 массивом ячеек массивов структур, содержащих результаты оценки каждой модели.
Извлеките BIC от каждого набора результатов.
BIC = cellfun(@(x)x.BIC,estMdlResults)
BIC = 4×1
103 ×
-0.7153
-1.3678
-1.4378
-1.3853
Модель, соответствующая самому низкому BIC, имеет лучшую подгонку среди рассмотренных моделей. Поэтому VAR (4) является моделью оптимальной подгонки.