Преобразуйте от vgx Функции к объектам модели

В R2017a, функции varm, arma2ar, arma2ma, и isStable замененный vgxar, vgxcount, vgxdisp, vgxget, vgxinfer, vgxloglik, vgxma, vgxplot, vgxpred, vgxproc, vgxqual, vgxset, vgxsim, и vgxvarx. Если вы используете более старый vgx многомерные функции анализа данных в релизах после R2017b, MATLAB® выдает ошибку. Эта тема показывает вам, как преобразовать общие задачи, которые используют vgx функции к более новой функциональности.

Примите эти условия:

  • Вы хотите смоделировать три переменные отклика одновременно при помощи модели VARX(4). Модель содержит компонент регрессии для двух переменных предикторов, постоянного вектора и линейного термина тренда времени.

  • Преддемонстрационные данные об ответе находятся в 4 3 матричном Y0.

  • Демонстрационные данные об ответе оценки находятся в 100 3 матричном Y.

  • Внешние данные находятся в 100 2 матричном X.

Эта таблица сравнивает старые и новые способы выполнить общие задачи, на основе установленных условий.

ЗадачаСтарая функциональность или поведениеНовая функциональность или поведение
Создайте шаблон модели VAR (4) для оценки.

Mdl = vgxset('n',3,'nAR',4,'Constant',true);

Mdl = varm(3,4);
Mdl.Trend = nan(3,1);

Получите свойства модели, такой как, инновационная ковариационная матрица.
vgxget(Mdl,'Q')
Mdl.Covariance
Установите ограничения равенства для оценки; например, установите константу модели на вектор из единиц.
Mdl = vgxset(Mdl,'a',ones(3,1),'asolve',false(3,1));
Mdl.Constant = ones(3,1);
Подбирайте неограниченную модель с трендом времени к данным. Все внешние предикторы происходят в каждом уравнении ответа и не совместно используют коэффициенты.

Xk = [(1:100)' X];    % Include linear trend
Xk = kron(Xk,eye(3)); % Create design matrix
Xk = mat2cell(Xk,3*ones(100,1),size(Xk,2)); % Pack into 100-by-1 cell vector

Mdl.nX = size(Xk{1},2); % vgxvarx must know the number ...
                        % of exogenous variables
EstMdl = vgxvarx(Mdl,Y,Xk,Y0);
vgxvarx требует матрицы проекта, а не матрицы данных. Линейный тренд и две внешних переменные дают к девяти столбцам в матрице проекта.

EstMdl = estimate(Mdl,Y,'Y0',Y0,'X',X);
Подбирайте модель к данным. X(:,1) появляется во всех уравнениях, но X(:,2) появляется в первом уравнении только.
Xk = [(1:100)' X];
Xk = [kron(Xk(:,1:2),eye(3)) kron(Xk(:,3),[1; 0; 0])];
Xk = mat2cell(Xk,3*ones(100,1),size(Xk,2));
EstMdl = vgxvarx(Mdl,Y,Xk,Y0);
Mdl.Beta = nan(3,2);
Mdl.Beta(2:3,2) = 0;
EstMdl = estimate(Mdl,Y,'Y0',Y0,'X',X);
Получите оцененные коэффициенты регрессии.

EstMdl.b, 9 1 вектор, в который:

  • EstMdl.b(1:3) предполагаемые тренды времени для уравнений 1–3, соответственно.

  • EstMdl.b(4:6) предполагаемые коэффициенты регрессии внешней переменной X(:,1) для уравнений 1–3, соответственно.

  • EstMdl.b(7:9) предполагаемые коэффициенты регрессии внешней переменной X(:,2) для уравнений 1–3, соответственно.

EstMdl.Beta, 3-на-2 матрица со строками, соответствующими уравнениям (столбцы Y) и столбцы, соответствующие внешним переменным (столбцы X)

Отобразите предполагаемую модель.
vgxdisp(EstMdl)
summarize(EstMdl)
Получите количество неограниченных или предполагаемых параметров в модели.

[~,numactive] = vgxcount(EstMdl);
numactive включает оцененные элементы в инновационную ковариационную матрицу.

results = summarize(EstMdl);
numactive = results.NumEstimatedParameters;
numactive не включает оцененные элементы инновационной ковариационной матрицы.

Выведите остаточные значения.
[EstMdl,~,~,E] = vgxvarx(Mdl,Y,Xk,Y0); % Method 1
E = vgxinfer(EstMdl,Y,X,Y0);           % Method 2
[EstMdl,~,~,E] = estimate(Mdl,Y,'Y0',Y0,'X',X);
E = infer(EstMdl,Y,'Y0',Y0,'X',X);
Получите подходящую статистику.
logl = vgxloglik(EstMdl,E);
[aic,bic] = aicbic(logl,numactive - 6,100) ...
            % Remove count of estimated covariance elements
logl = results.LogLikelihood;
aic = results.AIC;
bic = results.BIC;
Определите устойчивость модели.
isstable = vgxqual(EstMdl);
ARLagOp = LagOp([{eye(3)} EstMdl.AR]);
isstable = isStable(ARLagOp);
Симулируйте 1 000 путей ответов в период оценки.
YSim = vgxproc(EstMdl,100,X,Y0,[],1000);
YSim = simulate(EstMdl,100,'Y0',Y0,...
    'X',X,'NumPaths',1000);
Предскажите модель в горизонт с 8 периодами с 8 2 матричным XF содержа будущие внешние данные.
XFk = [(101:108)' XF];
XFk = kron(XFk,eye(3));  % Create design matrix
XFk = mat2cell(XFk,3*ones(8,1),size(XFk,2)); 
YF = vgxpred(EstMdl,8,XFk,Y);
YF = forecast(EstMdl,8,Y,'X',XF);

Некоторые заметные различия между vgx и varm функциональности:

  • varm не поддерживает создание моделей с компонентами MA или структурным. Однако можно выполнить некоторые задачи с помощью неявной модели SVARMA. Смотрите arma2ar, arma2ma, armairf, и armafevd.

  • estimate не поддерживает спецификацию диагональной ковариационной матрицы для оценки.

  • varm не позволяет тот же коэффициент регрессии в нескольких уравнениях. Каждая внешняя переменная сопоставлена с уникальным коэффициентом регрессии через уравнения.

  • Функции в varm среда не размещает разнообразные пути внешних данных. Вместо этого когда функция работает с разнообразными путями ответов или инноваций, функция применяет те же внешние данные ко всем путям.

Смотрите также

Объекты

Функции

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте