vec2var

Преобразуйте модель VEC в модель VAR

Функции модели Econometrics Toolbox™ VAR, такие как simulate, forecast и armairf подходят для векторных моделей (VAR) авторегрессии. Чтобы моделировать, предскажите или сгенерируйте импульсные ответы из модели векторного исправления ошибок (VEC) использование simulate, forecast, или armairf, соответственно, преобразовывает модель VEC в свое эквивалентное представление модели VAR.

Синтаксис

VAR = vec2var(VEC,C)

Описание

пример

VAR = vec2var(VEC,C) возвращает содействующие матрицы (VAR) векторного авторегрессивного образцового эквивалента векторной модели исправления ошибок с содействующими матрицами (VEC). Если количеством задержек в модели исправления ошибок входного вектора является q, то количеством задержек в модели исправления ошибок выходного вектора является p = q + 1.

Примеры

свернуть все

Преобразуйте модель VEC в модель VAR Используя Массивы ячеек

Скрипт Open Live Script

Рассмотрите преобразование следующей модели VEC(2) к модели VAR (3).

$\begin{array}{rcl} Δ y_{t} & = & [\begin{array}{cccccccccccccccccccc} 0.5 \\ 1 \\ - 2 \end{array}] + [\begin{array}{cccccccccccccccccccc} - 0 . 14 & 0 . 12 & - 0 . 05 \\ - 0 . 14 & - 0 . 07 & - 0 . 10 \\ - 0 . 07 & - 0 . 16 & - 0 . 07 \end{array}] Δ y_{t - 1} + [\begin{array}{cccccccccccccccccccc} - 0 . 14 & 0 . 12 & - 0 . 05 \\ - 0 . 14 & - 0 . 07 & - 0 . 10 \\ - 0 . 07 & - 0 . 16 & - 0 . 07 \end{array}] Δ y_{t - 2} \\ + & [\begin{array}{cccccccccccccccccccc} - 0 . 32 & 0 . 74 & - 0 . 38 \\ 1 . 97 & - 0 . 61 & 0 . 44 \\ - 2 . 19 & - 1 . 15 & 2 . 65 \end{array}] y_{t - 1} + ε_{t} \end{array} .$

Задайте содействующие матрицы ( $B_{1}$ и $B_{2}$ ) из $Δ y_{t - 1}$ и $Δ y_{t - 2}$ , и коэффициент исправления ошибок $C$ .

B1 = [-0.14   0.12 -0.05;
      -0.14 -0.07 -0.10;
      -0.07  -0.16 -0.07];
B2 = [-0.14   0.12 -0.05;
      -0.14 -0.07 -0.10;
      -0.07  -0.16 -0.07]; 
C  = [-0.32  0.74 -0.38;
       1.97 -0.61  0.44;
     - 2.19 -1.15  2.65];

Упакуйте матрицы в отдельные ячейки 2-мерного вектора ячейки. Поместите B1 в первую ячейку и B2 во вторую ячейку.

VEC = {B1 B2};

Вычислите содействующие матрицы эквивалентной модели VAR (3).

VAR = vec2var(VEC,C);
size(VAR)

ans = 1×2

     1     3

Спецификация массива ячеек матриц для входного параметра указывает, что модель VEC(2) находится в уменьшаемой форме, и VEC{1} является коэффициентом $Δ y_{t - 1}$ . Последующие элементы соответствуют последующим задержкам.

VAR 1 3 вектор ячейки 3х3 содействующих матриц для VAR (3) эквивалентен из модели VEC(2). Поскольку модель VEC(2) находится в уменьшаемой форме, эквивалентная модель VAR (3) также. Таким образом, VAR{1} является коэффициентом $y_{t - 1}$ , и последующие элементы соответствуют последующим задержкам. Ориентация VAR соответствует ориентации VEC.

Отобразите VAR (3) коэффициенты модели.

A1 = VAR{1}

A1 = 3×3

    0.5400    0.8600   -0.4300
    1.8300    0.3200    0.3400
   -2.2600   -1.3100    3.5800

A2 = VAR{2}

A2 = 3×3

     0     0     0
     0     0     0
     0     0     0

A3 = VAR{3}

A3 = 3×3

    0.1400   -0.1200    0.0500
    0.1400    0.0700    0.1000
    0.0700    0.1600    0.0700

Поскольку постоянные смещения между моделями эквивалентны, получившаяся модель VAR (3)

$y_{t} = [\begin{array}{cccccccccccccccccccc} 0.5 \\ 1 \\ - 2 \end{array}] + [\begin{array}{cccccccccccccccccccc} 0 . 54 & 0 . 86 & - 0 . 43 \\ 1 . 83 & 0 . 32 & 0 . 34 \\ - 2 . 26 & - 1 . 31 & 3 . 58 \end{array}] y_{t - 1} + [\begin{array}{cccccccccccccccccccc} 0 . 14 & - 0 . 12 & 0 . 05 \\ 0 . 14 & 0 . 07 & 0 . 10 \\ 0 . 07 & 0 . 16 & 0 . 07 \end{array}] y_{t - 3} + ε_{t} .$

Преобразуйте структурную модель VEC в модель VAR Используя полиномы оператора задержки

Скрипт Open Live Script

Рассмотрите преобразование следующей структурной модели VEC(1) к структурной модели VAR (2).

$[\begin{array}{cccccccccccccccccccc} 0 . 54 & - 2 . 26 \\ 1 . 83 & 0 . 86 \end{array}] Δ y_{t} = [\begin{array}{cccccccccccccccccccc} - 0 . 07 & - 0 . 07 \\ 0 . 01 & 0 . 02 \end{array}] Δ y_{t - 1} + [\begin{array}{cccccccccccccccccccc} - 0 . 15 & 1.9 \\ - 3 . 15 & - 0 . 54 \end{array}] y_{t - 1} + ε_{t} .$

Задайте содействующие матрицы $B_{0}$ и $B_{1}$ , и коэффициент исправления ошибок $C$ .

B0 = [0.54 -2.26;
      1.83  0.86];
B1 = [-0.07  -0.07
     0.01 0.02];
C = [-0.15  1.9;
     -3.15  -0.54];

Упакуйте матрицы в отдельные ячейки 3-мерного вектора ячейки. Поместите B0 в первую ячейку и B1 во вторую ячейку. Инвертируйте коэффициенты, соответствующие всем ненулевым условиям задержки differenced.

VECCoeff = {B0; -B1};

Создайте полином оператора задержки, который охватывает авторегрессивные условия в модели VEC(2).

VEC = LagOp(VECCoeff)

VEC = 
    2-D Lag Operator Polynomial:
    -----------------------------
        Coefficients: [Lag-Indexed Cell Array with 2 Non-Zero Coefficients]
                Lags: [0 1]
              Degree: 1
           Dimension: 2

VEC является полиномом оператора задержки LagOp и задает авторегрессивный полином оператора задержки в этом уравнении

$(B_{0} - B_{1} L) Δ y_{t} = C y_{t - 1} + ε_{t} .$

$L$ оператор задержки. Если вы расширяете количество и решаете для $Δ y_{t}$ , затем результатом является модель VAR (2) в обозначении разностного уравнения.

Вычислите содействующие матрицы эквивалентной модели VAR (2).

VAR = vec2var(VEC,C)

VAR = 
    2-D Lag Operator Polynomial:
    -----------------------------
        Coefficients: [Lag-Indexed Cell Array with 3 Non-Zero Coefficients]
                Lags: [0 1 2]
              Degree: 2
           Dimension: 2

VEC.Coefficients{0} $A_{0}$ , матрица коэффициентов $y_{t}$ . Последующие элементы в VAR.Coefficients соответствуют последующим задержкам в VEC.Lags.

VAR является VAR (2) эквивалентный из модели VEC(1). Поскольку модель VEC(1) структурна, эквивалентный VAR (2) также. Таким образом, VAR.Coefficients{0} является коэффициентом $y_{t}$ , и последующие элементы соответствуют последующим задержкам в VAR.Lags.

Отобразите VAR (2) коэффициенты модели в обозначении разностного уравнения.

A0 = VAR.Coefficients{0}

A0 = 2×2

    0.5400   -2.2600
    1.8300    0.8600

A1 = -VAR.Coefficients{1}

A1 = 2×2

    0.3200   -0.4300
   -1.3100    0.3400

A2 = -VAR.Coefficients{2}

A2 = 2×2

    0.0700    0.0700
   -0.0100   -0.0200

Получившаяся модель VAR (3)

$[\begin{array}{cccccccccccccccccccc} 0 . 54 & - 2 . 26 \\ 1 . 83 & 0 . 86 \end{array}] y_{t} = [\begin{array}{cccccccccccccccccccc} 0 . 32 & - 0 . 43 \\ - 1 . 31 & 0 . 34 \end{array}] y_{t - 1} + [\begin{array}{cccccccccccccccccccc} 0 . 07 & 0 . 07 \\ - 0 . 01 & - 0 . 02 \end{array}] y_{t - 2} + ε_{t} .$

Также отразите полином оператора задержки VAR вокруг задержки 0, чтобы получить коэффициенты обозначения разностного уравнения.

DiffEqnCoeffs = reflect(VAR);
A = toCellArray(DiffEqnCoeffs);
A{1} == A0

ans = 2x2 logical array

   1   1
   1   1

A{2} == A1

ans = 2x2 logical array

   1   1
   1   1

A{3} == A2

ans = 2x2 logical array

   1   1
   1   1

Оба метода производят те же коэффициенты.

Преобразуйте модель Structural VEC в Модель VMA

Скрипт Open Live Script

Аппроксимируйте коэффициенты структурной модели VMA, которая представляет структурную модель VEC(8)

$\begin{array}{llllllllllllllllllll} {[\begin{array}{cccccccccccccccccccc} 1 & 0.2 & - 0.1 \\ 0 . 03 & 1 & - 0 . 15 \\ 0.9 & - 0 . 25 & 1 \end{array}] + [\begin{array}{cccccccccccccccccccc} 0.5 & - 0.2 & - 0.1 \\ - 0.3 & - 0.1 & 0.1 \\ 0.4 & - 0.2 & - 0 . 05 \end{array}] L^{4} + [\begin{array}{cccccccccccccccccccc} 0 . 05 & - 0 . 02 & - 0 . 01 \\ - 0.1 & - 0 . 01 & - 0 . 001 \\ 0 . 04 & - 0 . 02 & - 0 . 005 \end{array}] L^{8}} Δ y_{t} = \\ [\begin{array}{cccccccccccccccccccc} - 0 . 02 & 0 . 03 & 0.3 \\ 0 . 05 & 0.1 & 0 . 01 \\ 0.3 & 0 . 01 & 0 . 01 \end{array}] y_{t - 1} + ε_{t} \end{array}$

где $Δ y_{t} = {[Δ y_{t, 1} Δ y_{t, 2} Δ y_{t, 3}]}^{'}$ , $ε_{t} = {[ε_{1 t} ε_{2 t} ε_{3 t}]}^{'}$ , и, для j = 1,2, и 3, $Δ y_{t, j} = y_{t, j} - y_{t - 1, j}$ .

Создайте вектор ячейки, содержащий VEC (8) матрицы коэффициента модели. Запустите с коэффициента $Δ y_{t}$ , и затем введите остальных по порядку задержкой. Создайте вектор, который указывает на степень термина задержки для соответствующих коэффициентов.

VEC0 = {[1 0.2 -0.1; 0.03 1 -0.15; 0.9 -0.25 1],...
    [0.5 -0.2 -0.1; -0.3 -0.1 0.1; 0.4 -0.2 -0.05],...
    [0.05 -0.02 -0.01; -0.1 -0.01 -0.001; 0.04 -0.02 -0.005]};
vec0Lags = [0 4 8];
C = [-0.02 0.03 0.3; 0.05 0.1 0.01; 0.3 0.01 0.01];

vec2var требует полинома оператора задержки LagOp для входного параметра, который включает структурную модель VEC(8). Создайте полином оператора задержки LagOp, который описывает модель VEC(8) авторегрессивный компонент матрицы коэффициентов (т.е. коэффициенты $Δ y_{t}$ и его задержки).

VECLag = LagOp(VEC0,'Lags',vec0Lags);

VECLag является полиномом оператора задержки LagOp, который описывает авторегрессивный компонент модели VEC(8).

Вычислите коэффициенты модели VAR (9), эквивалентной модели VEC(8).

VAR = vec2var(VECLag,C)

VAR = 
    3-D Lag Operator Polynomial:
    -----------------------------
        Coefficients: [Lag-Indexed Cell Array with 6 Non-Zero Coefficients]
                Lags: [0 1 4 5 8 9]
              Degree: 9
           Dimension: 3

VAR является полиномом оператора задержки LagOp. Все коэффициенты кроме тех, которые соответствуют задержкам 0, 1, 4, 5, 8, и 9, имеют размер 3х3 матрицы нулей. Коэффициенты в VAR включают стабильную, структурную модель VAR (9), эквивалентную исходной модели VEC(8). Модель стабильна, потому что коэффициент исправления ошибок имеет полный ранг.

Вычислите коэффициенты приближения модели VMA к получившейся модели VAR (9). Установите numLags возвращать самое большее 12 задержек.

numLags = 12;
VMA = arma2ma(VAR,[],numLags);

VMA является полиномом оператора задержки LagOp, содержащим содействующие матрицы получившейся модели VMA(12) в VMA.Coefficients. VMA{0} является коэффициентом $ε_{t}$ , VMA{1} является коэффициентом $ε_{t - 1}$ , и так далее.

Входные параметры

свернуть все

`VEC` — VEC (q) коэффициенты модели differenced ответов
числовой вектор | вектор ячейки квадратных, числовых матриц | объект полинома оператора задержки `LagOp`

VEC (q) коэффициенты модели differenced ответов, заданных как числовой вектор, вектор ячейки n-by-n числовые матрицы или LagOp, изолируют объект полинома оператора.

Для числовой векторной спецификации:
- VEC (q) является одномерными временными рядами.
- VEC должен быть длиной q числовой вектор.
- VEC(j) содержит скалярный _Bj, коэффициент изолированного различия Δy _{t –j}.
- Коэффициентом _Δyt (B ₀) является 1.
Для спецификации вектора ячейки:
- VEC должен иметь длину q, и каждая ячейка содержит n-by-n числовая матрица (n> 1).
- VEC{ j, } должен содержать _Bj, матрицу коэффициентов задержки, называет Δy _{t –j}.
- vec2var принимает, что коэффициентом _Δyt (B ₀) является n-by-n идентичность.
Поскольку LagOp изолирует спецификацию полинома оператора:
- VEC.Degree должен быть q.
- VEC.Coefficients{0} является B ₀, коэффициент _Δyt. Все другие элементы соответствуют коэффициентам изолированного последующего, differenced условия. Например, VEC.Coefficients{ j } является матрицей коэффициентов Δy _{t –j}. VEC.Lags хранит все ненулевые задержки.
- Чтобы создать модель в уменьшаемой форме, установите VEC.Coefficients{0} на eye(VEC.Dimension).

Например, рассмотрите преобразование

$[\begin{matrix} 1001 \end{matrix}] Δ y_{t} = [\begin{matrix} 0.1 & 0.2 \\ 1 & 0.1 \end{matrix}] Δ y_{t - 1} + [\begin{matrix} - 0.1 & 0.01 \\ 0.2 & - 0.3 \end{matrix}] Δ y_{t - 2} + [\begin{matrix} 0.5 & 0 \\ - 0.1 & 1 \end{matrix}] y_{t - 1} + ε_{t}$

к модели VAR (3). Модель находится в обозначении разностного уравнения. Можно преобразовать модель путем ввода

VAR = vec2var({[0.1 0.2; 1 0.1],...
     -[-0.1 0.01; 0.2 -0.3]},[0.5 0; -0.1 1]);

Модель VEC(2) в обозначении оператора задержки

$([\begin{matrix} 1001 \end{matrix}] - [\begin{matrix} 0.1 & 0.2 \\ 1 & 0.1 \end{matrix}] L - [\begin{matrix} - 0.1 & 0.01 \\ 0.2 & - 0.3 \end{matrix}] L^{2}) Δ y_{t} = [\begin{matrix} 0.5 & 0 \\ - 0.1 & 1 \end{matrix}] y_{t - 1} + ε_{t}$

Содействующие матрицы AR изолированных ответов кажутся отрицаемыми по сравнению с соответствующими коэффициентами в обозначении разностного уравнения. Чтобы получить тот же результат с помощью полиномов оператора задержки LagOP, войти

VEC = LagOp({eye(2), -[0.1 0.2; 1 0.1], -[-0.1 0.01; 0.2 -0.3]});
C = [0.5 0; -0.1 1];
VAR = vec2var(VEC,C);

`C` Коэффициент исправления ошибок
числовая матрица

Коэффициент исправления ошибок, заданный как n-by-n числовая матрица. n является количеством временных рядов в модели VEC. Размерности C и матриц, составляющих VEC, должны быть эквивалентными.

Типы данных: double

Выходные аргументы

свернуть все

`Var` VAR (p) коэффициенты модели
вектор ячейки квадратных, числовых матриц | полином оператора задержки `LagOp` возражает | числовой вектор

VAR (p) коэффициенты модели, возвращенные как числовой вектор, вектор ячейки n-by-n числовые матрицы или LagOp, изолирует объект полинома оператора. n является количеством временных рядов в модели VEC.

VEC и VAR совместно используют совпадающий тип данных и ориентацию.

vec2var преобразовывает модели VEC(q) в модели VAR (q + 1). Это:

Если VEC является ячейкой или числовым вектором, то numel(VAR) является numel(VEC) + 1.
Если VEC является полиномом оператора задержки LagOp, то VAR.Degree является VEC.Degree + 1.

Больше о

свернуть все

Обозначение разностного уравнения

Модель VAR (p) или VEC (q), написанная в difference-equation notation, изолирует приведенную стоимость вектора отклика и его структурной матрицы коэффициентов на левой стороне уравнения. Правая сторона уравнения содержит сумму изолированных ответов, их содействующих матриц, существующего инновационного вектора, и, для моделей VEC, срока исправления ошибок.

Таким образом, модель VAR (p), написанная в обозначении разностного уравнения,

$A_{0} y_{t} = a + A_{1} y_{t - 1} + A_{2} y_{t - 2} + ... + A_{p} y_{t - p} + ε_{t} .$

Модель VEC(q), написанная в обозначении разностного уравнения,

$B_{0} Δ y_{t} = b + B_{1} Δ y_{t - 1} + B_{2} Δ y_{t - 2} + ... + B_{q} Δ y_{t - q} + C y_{t - 1} + ε_{t} .$

Для переменной и определений параметра, смотрите VAR (p) Модель и VEC (q) Модель.

Изолируйте обозначение оператора

Модель VAR (p) или VEC (q), написанная в положениях lag-operator notation весь ответ, называет к левой стороне уравнения. Правая сторона уравнения содержит образцовый постоянный вектор смещения, существующие инновации, и, для моделей VEC, срока исправления ошибок.

Таким образом, модель VAR (p), написанная в обозначении оператора задержки,

$A (L) y_{t} = a + ε_{t}$

где $A (L) = A_{0} - A_{1} L - A_{2} L^{2} - ... - A_{p} L^{p}$ и $L^{j} y_{t} = y_{t - j}$ .

Модель VEC(q), написанная в обозначении разностного уравнения,

$B (L) Δ y_{t} = b + C y_{t - 1} + ε_{t}$

где $B (L) = B_{0} - B_{1} L - B_{2} L^{2} - ... - B_{q} L^{q}$ .

Для переменной и определений параметра, смотрите VAR (p) Модель и VEC (q) Модель.

При сравнении обозначения оператора задержки с обозначением разностного уравнения знаки условий задержки являются противоположностями. Для получения дополнительной информации смотрите Обозначение Оператора Задержки.

VAR (p) модель

VAR(p) model является многомерной, авторегрессивной моделью временных рядов, которая имеет эту общую форму:

$A_{0} y_{t} = a + A_{1} y_{t - 1} + A_{2} y_{t - 2} + ... + A_{p} y_{t - p} + ε_{t} .$

_yt является n - размерные временные ряды.
A ₀ является n-by-n обратимая структурная матрица коэффициентов. Для моделей в reduced form, A ₀ = _In, который является n - размерная единичная матрица.
a является n - размерный вектор постоянных смещений.
_Aj является n-by-n матрица коэффициентов _yt–j, j = 1..., p.
_εt является n - размерный инновационный ряд. Инновации являются последовательно некоррелироваными, и имеют многомерное нормальное распределение со средним значением 0 и n-by-n ковариационная матрица Σ.

VEC (q) модель

VEC(q) model является многомерной, авторегрессивной моделью временных рядов, которая имеет эту общую форму:

$B_{0} Δ y_{t} = b + B_{1} Δ y_{t - 1} + B_{2} Δ y_{t - 2} + ... + B_{q} Δ y_{t - q} + C y_{t - 1} + ε_{t} .$

_yt является n - размерные временные ряды.
Δ является первым оператором различия, то есть, _Δyt = _yt – y _{t –1}.
B ₀ является n-by-n обратимая структурная матрица коэффициентов. Для моделей в reduced form, B ₀ = _In, который является n - размерная единичная матрица.
b является n - размерный вектор постоянных смещений.
_Bj является n-by-n матрица коэффициентов _Δyt–j, j = 1..., q.
_εt является n - размерный инновационный ряд. Инновации являются последовательно некоррелироваными, и имеют многомерное нормальное распределение со средним значением 0 и n-by-n ковариационная матрица Σ.
C является n-by-n матрица коэффициентов влияния или исправление ошибок.

Советы

Чтобы разместить структурные модели VEC, задайте входной параметр VEC как полином оператора задержки LagOp.
Чтобы получить доступ к вектору ячейки коэффициентов полинома оператора задержки выходного аргумента VAR, введите toCellArray(VAR).
Чтобы преобразовать коэффициенты модели выходного аргумента от обозначения оператора задержки до коэффициентов модели в обозначении разностного уравнения, войти
```
VARDEN = toCellArray(reflect(VAR));
```
VARDEN является вектором ячейки, содержащим q + 1 коэффициент, соответствующий условиям ответа в VAR.Lags в обозначении разностного уравнения. Первый элемент является коэффициентом _yt, второй элемент является коэффициентом y _{t –1} и так далее.
Постоянное смещение конвертированной модели VAR совпадает с постоянным смещением модели VEC.

Алгоритмы

vec2var не налагает требования устойчивости к коэффициентам. Чтобы проверять на устойчивость, используйте isStable.
isStable требует полинома оператора задержки LagOp, как введено. Например, чтобы проверять, составляет ли VAR, массив ячеек n-byn числовые матрицы, стабильные временные ряды, входят
```
varLagOp = LagOp([eye(n) var]);
isStable(varLagOp)
```
0 указывает, что полином не стабилен. Если VAR является полиномом оператора задержки LagOp, то передайте его isStable.

Ссылки

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

[2] Lutkepohl, H. "Новое введение в несколько анализ временных рядов". Springer-Verlag, 2007.

Смотрите также

Объекты

LagOp

Функции

arma2ar | arma2ma | armairf | estimate | isStable | toCellArray | var2vec

Документация

vec2var

Синтаксис

Описание

Примеры

Преобразуйте модель VEC в модель VAR Используя Массивы ячеек

Преобразуйте структурную модель VEC в модель VAR Используя полиномы оператора задержки

Преобразуйте модель Structural VEC в Модель VMA

Входные параметры

`VEC` — VEC (q) коэффициенты модели differenced ответов
числовой вектор | вектор ячейки квадратных, числовых матриц | объект полинома оператора задержки `LagOp`

`C` Коэффициент исправления ошибок
числовая матрица

Выходные аргументы

`Var` VAR (p) коэффициенты модели
вектор ячейки квадратных, числовых матриц | полином оператора задержки `LagOp` возражает | числовой вектор

Больше о

Обозначение разностного уравнения

Изолируйте обозначение оператора

VAR (p) модель

VEC (q) модель

Советы

Алгоритмы

Ссылки

Смотрите также

Объекты

Функции

Темы

Введенный в R2015b

Документация Econometrics Toolbox

Поддержка

Документация

vec2var

Синтаксис

Описание

Примеры

Преобразуйте модель VEC в модель VAR Используя Массивы ячеек

Преобразуйте структурную модель VEC в модель VAR Используя полиномы оператора задержки

Преобразуйте модель Structural VEC в Модель VMA

Входные параметры

VEC — VEC (q) коэффициенты модели differenced ответов числовой вектор | вектор ячейки квадратных, числовых матриц | объект полинома оператора задержки LagOp

C Коэффициент исправления ошибок числовая матрица

Выходные аргументы

Var VAR (p) коэффициенты модели вектор ячейки квадратных, числовых матриц | полином оператора задержки LagOp возражает | числовой вектор

Больше о

Обозначение разностного уравнения

Изолируйте обозначение оператора

VAR (p) модель

VEC (q) модель

Советы

Алгоритмы

Ссылки

Смотрите также

Объекты

Функции

Темы

Введенный в R2015b

Документация Econometrics Toolbox

Поддержка

`VEC` — VEC (q) коэффициенты модели differenced ответов
числовой вектор | вектор ячейки квадратных, числовых матриц | объект полинома оператора задержки `LagOp`

`C` Коэффициент исправления ошибок
числовая матрица

`Var` VAR (p) коэффициенты модели
вектор ячейки квадратных, числовых матриц | полином оператора задержки `LagOp` возражает | числовой вектор