Выполнимые обобщенные наименьшие квадраты
возвращает содействующие оценки модели coeff
= fgls(X
,y
)y
многофакторной линейной регрессии =
X
β + ε с помощью выполнимых обобщенных наименьших квадратов (FGLS) первой оценкой ковариации инновационного процесса ε.
NaN
s в данных указывают на отсутствующие значения, который fgls
удаляет использующее мудрое списком удаление. fgls
наборы Data
= [X y]
, затем это удаляет любую строку в Data
содержа по крайней мере один NaN
. Мудрое списком удаление уменьшает эффективный объем выборки и изменяет основу времени ряда.
возвращает содействующие оценки FGLS с помощью данных о предикторе в первом coeff
= fgls(Tbl
)numPreds
столбцы таблицы Tbl
и данные об ответе в последнем столбце.
fgls
удаляет все отсутствующие значения в Tbl
, обозначенный NaN
s, с помощью мудрого списком удаления. Другими словами, fgls
удаляет все строки в Tbl
содержа по крайней мере один NaN
. Мудрое списком удаление уменьшает эффективный объем выборки и изменяет основу времени ряда.
задает опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к входным параметрам в предыдущих синтаксисах. Например, можно выбрать инновационную модель ковариации, задать количество итераций и построить оценки после каждой итерации.coeff
= fgls(___,Name,Value
)
[
дополнительно возвращает вектор содействующих стандартных погрешностей FGLS, coeff
,se
,EstCoeffCov
]
= fgls(___)se
= sqrt(diag(EstCov))
, и FGLS оценил содействующую ковариационную матрицу (EstCoeffCov
).
[
возвращает указатели на нанесенные на график графические объекты. Используйте элементы coeff
,se
,EstCoeffCov
,iterPlots
] = fgls(___)iterPlots
изменить свойства графиков после того, как вы создаете их.
Получить стандартные оценки обобщенных наименьших квадратов (GLS):
Чтобы получить оценки WLS, установите InnovCov0
аргумент пары "имя-значение" вектору обратных весов (например, инновационные оценки отклонения).
В определенных моделях и с повторными итерациями, различия в шкале в остаточных значениях могут произвести плохо обусловленную предполагаемую инновационную ковариацию и вызвать числовую нестабильность. Если вы устанавливаете 'resCond',true
, затем создание условий улучшается.
В присутствии несферических инноваций GLS производит эффективные оценки относительно OLS, и сопоставимые содействующие ковариации, условное выражение на инновационной ковариации. Степень, к который fgls
обеспечивает эти свойства, зависит от точности и модели и оценки инновационной ковариации.
Вместо того, чтобы оценить FGLS оценивает обычный путь, fgls
методы использования, которые быстрее и более устойчивы, и применимы к случаям неполного ранга.
Традиционные методы FGLS, такие как процедура Кокрейна-Оркатта, используют младший разряд, авторегрессивные модели. Эти методы, однако, оценивают параметры в инновационной ковариационной матрице с помощью OLS, где fgls
оценка наибольшего правдоподобия (MLE) использования [2].
[1] Cribari-Neto, F. "Асимптотический Вывод Под Heteroskedasticity Неизвестной Формы". Computational Statistics & Data Analysis. Издание 45, 2004, стр 215–233.
[2] Гамильтон, J. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.
[3] Судья, Г. Г., В. Э. Гриффитс, Р. К. Хилл, Х. Латкеполь и Т. К. Ли. Теория и практика эконометрики. Нью-Йорк, Нью-Йорк: John Wiley & Sons, Inc., 1985.
[4] Kutner, M. H. К. Дж. Нахцхайм, Дж. Нетер и В. Ли. Прикладные Линейные Статистические модели. 5-й редактор Нью-Йорк: Макгроу-Хилл/ирвин, 2005.
[5] Маккиннон, J. G. и H. Белый. "Некоторые Heteroskedasticity-сопоставимые Средства оценки Ковариационной матрицы с Улучшенными Конечными Демонстрационными Свойствами". Журнал Эконометрики. Издание 29, 1985, стр 305–325.
[6] Белый, H. "Heteroskedasticity-сопоставимая Ковариационная матрица и Прямой Тест для Heteroskedasticity". Econometrica. Издание 48, 1980, стр 817–838.
arma2ar
| fitlm
| hac
| lscov
| regARIMA