Подбирайте условную модель отклонения к данным
оценивает неизвестные параметры условного объекта модели отклонения EstMdl
= estimate(Mdl
,y
)Mdl
с наблюдаемыми одномерными временными рядами y
, использование наибольшего правдоподобия. EstMdl
полностью заданный условный объект модели отклонения, который хранит результаты. Это - тот же тип модели как Mdl
(см. garch
, egarch
, и gjr
).
оценивает условную модель отклонения с дополнительными опциями, заданными одним или несколькими EstMdl
= estimate(Mdl
,y
,Name,Value
)Name,Value
парные аргументы. Например, можно задать, чтобы отобразить итеративную информацию об оптимизации или преддемонстрационные инновации.
[
дополнительно возвращается:EstMdl
,EstParamCov
,logL
,info
]
= estimate(___)
EstParamCov
, ковариационная матрица отклонения сопоставлена предполагаемыми параметрами.
logL
, оптимизированная целевая функция логарифмической правдоподобности.
info
, структура данных итоговой информации с помощью любого из входных параметров в предыдущих синтаксисах.
Подбирайте модель GARCH(1,1) к симулированным данным.
Симулируйте 500 точек данных из модели GARCH(1,1)
где и
Используйте Гауссово инновационное распределение по умолчанию в .
Mdl = garch('Constant',0.0001,'GARCH',0.5,... 'ARCH',0.2); rng default; % For reproducibility [v,y] = simulate(Mdl,500);
Выход v
содержит симулированные условные отклонения. y
вектор-столбец симулированных ответов (инновации).
Задайте модель GARCH(1,1) с неизвестными коэффициентами и соответствуйте ей к серии y
.
ToEstMdl = garch(1,1); EstMdl = estimate(ToEstMdl,y)
GARCH(1,1) Conditional Variance Model (Gaussian Distribution): Value StandardError TStatistic PValue __________ _____________ __________ __________ Constant 9.8911e-05 3.0726e-05 3.2191 0.001286 GARCH{1} 0.45393 0.11193 4.0557 4.999e-05 ARCH{1} 0.26374 0.056931 4.6326 3.6111e-06
EstMdl = garch with properties: Description: "GARCH(1,1) Conditional Variance Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: 9.8911e-05 GARCH: {0.453935} at lag [1] ARCH: {0.263739} at lag [1] Offset: 0
Результатом является новый garch
модель под названием EstMdl
. Параметр оценивает в EstMdl
напомните значения параметров, которые сгенерировали симулированные данные.
Подбирайте модель EGARCH(1,1) к симулированным данным.
Симулируйте 500 точек данных из модели EGARCH(1,1)
где и
(распределение является Гауссовым).
Mdl = egarch('Constant',0.001,'GARCH',0.7,... 'ARCH',0.5,'Leverage',-0.3); rng default % For reproducibility [v,y] = simulate(Mdl,500);
Выход v
содержит симулированные условные отклонения. y
вектор-столбец симулированных ответов (инновации).
Задайте модель EGARCH(1,1) с неизвестными коэффициентами и соответствуйте ей к серии y
.
ToEstMdl = egarch(1,1); EstMdl = estimate(ToEstMdl,y)
EGARCH(1,1) Conditional Variance Model (Gaussian Distribution): Value StandardError TStatistic PValue ___________ _____________ __________ __________ Constant -0.00063865 0.031698 -0.020148 0.98393 GARCH{1} 0.70506 0.067359 10.467 1.222e-25 ARCH{1} 0.56774 0.074746 7.5956 3.063e-14 Leverage{1} -0.32116 0.053345 -6.0204 1.7398e-09
EstMdl = egarch with properties: Description: "EGARCH(1,1) Conditional Variance Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: -0.000638645 GARCH: {0.705065} at lag [1] ARCH: {0.567741} at lag [1] Leverage: {-0.321158} at lag [1] Offset: 0
Результатом является новый egarch
модель под названием EstMdl
. Параметр оценивает в EstMdl
напомните значения параметров, которые сгенерировали симулированные данные.
Подбирайте модель GJR(1,1) к симулированным данным.
Симулируйте 500 точек данных из модели GJR(1,1).
где и
Используйте Гауссово инновационное распределение по умолчанию в .
Mdl = gjr('Constant',0.001,'GARCH',0.5,... 'ARCH',0.2,'Leverage',0.2); rng default; % For reproducibility [v,y] = simulate(Mdl,500);
Выход v
содержит симулированные условные отклонения. y
вектор-столбец симулированных ответов (инновации).
Задайте модель GJR(1,1) с неизвестными коэффициентами и соответствуйте ей к серии y
.
ToEstMdl = gjr(1,1); EstMdl = estimate(ToEstMdl,y)
GJR(1,1) Conditional Variance Model (Gaussian Distribution): Value StandardError TStatistic PValue __________ _____________ __________ __________ Constant 0.00097382 0.00025135 3.8743 0.00010694 GARCH{1} 0.46056 0.071793 6.4151 1.4077e-10 ARCH{1} 0.24126 0.063409 3.8047 0.00014196 Leverage{1} 0.25051 0.11265 2.2237 0.026171
EstMdl = gjr with properties: Description: "GJR(1,1) Conditional Variance Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: 0.000973819 GARCH: {0.460555} at lag [1] ARCH: {0.241256} at lag [1] Leverage: {0.250506} at lag [1] Offset: 0
Результатом является новый gjr
модель под названием EstMdl
. Параметр оценивает в EstMdl
напомните значения параметров, которые сгенерировали симулированные данные.
Подбирайте модель GARCH(1,1) к дневному закрытию, которое возвращает Сводный индекс NASDAQ.
Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте индекс в возвраты.
load Data_EquityIdx nasdaq = DataTable.NASDAQ; y = price2ret(nasdaq); T = length(y); figure plot(y) xlim([0,T]) title('NASDAQ Returns')
Возвраты показывают кластеризацию энергозависимости.
Задайте модель GARCH(1,1) и соответствуйте ей к ряду. Преддемонстрационные инновации требуются, чтобы инициализировать эту модель. Используйте первое наблюдение за y
как необходимые преддемонстрационные инновации.
Mdl = garch(1,1);
[EstMdl,EstParamCov] = estimate(Mdl,y(2:end),'E0',y(1))
GARCH(1,1) Conditional Variance Model (Gaussian Distribution): Value StandardError TStatistic PValue __________ _____________ __________ __________ Constant 1.9987e-06 5.4228e-07 3.6857 0.00022807 GARCH{1} 0.88356 0.0084341 104.76 0 ARCH{1} 0.10903 0.0076472 14.257 4.0421e-46
EstMdl = garch with properties: Description: "GARCH(1,1) Conditional Variance Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: 1.99867e-06 GARCH: {0.883563} at lag [1] ARCH: {0.109028} at lag [1] Offset: 0
EstParamCov = 3×3
10-4 ×
0.0000 -0.0000 0.0000
-0.0000 0.7113 -0.5343
0.0000 -0.5343 0.5848
Выход EstMdl
новый garch
модель предполагаемыми параметрами.
Используйте выходную ковариационную матрицу отклонения, чтобы вычислить оценочные стандартные погрешности.
se = sqrt(diag(EstParamCov))
se = 3×1
0.0000
0.0084
0.0076
Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (в порядке) к постоянному, коэффициенту GARCH и коэффициенту ДУГИ.
Подбирайте модель EGARCH(1,1) к дневному закрытию, которое возвращает Сводный индекс NASDAQ.
Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте индекс в возвраты.
load Data_EquityIdx nasdaq = DataTable.NASDAQ; y = price2ret(nasdaq); T = length(y); figure plot(y) xlim([0,T]) title('NASDAQ Returns')
Возвраты показывают кластеризацию энергозависимости.
Задайте модель EGARCH(1,1) и соответствуйте ей к ряду. Преддемонстрационные инновации требуются, чтобы инициализировать эту модель. Используйте первое наблюдение за y
как необходимые преддемонстрационные инновации.
Mdl = egarch(1,1);
[EstMdl,EstParamCov] = estimate(Mdl,y(2:end),'E0',y(1))
EGARCH(1,1) Conditional Variance Model (Gaussian Distribution): Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant -0.13479 0.022092 -6.101 1.0538e-09 GARCH{1} 0.98391 0.0024221 406.22 0 ARCH{1} 0.19965 0.013966 14.296 2.3323e-46 Leverage{1} -0.060243 0.0056471 -10.668 1.4354e-26
EstMdl = egarch with properties: Description: "EGARCH(1,1) Conditional Variance Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: -0.134785 GARCH: {0.983909} at lag [1] ARCH: {0.199645} at lag [1] Leverage: {-0.0602433} at lag [1] Offset: 0
EstParamCov = 4×4
10-3 ×
0.4881 0.0533 -0.1018 0.0106
0.0533 0.0059 -0.0118 0.0017
-0.1018 -0.0118 0.1950 0.0016
0.0106 0.0017 0.0016 0.0319
Выход EstMdl
новый egarch
модель предполагаемыми параметрами.
Используйте выходную ковариационную матрицу отклонения, чтобы вычислить оценочные стандартные погрешности.
se = sqrt(diag(EstParamCov))
se = 4×1
0.0221
0.0024
0.0140
0.0056
Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (в порядке) к постоянному, коэффициенту GARCH, коэффициенту ДУГИ, и усиливают коэффициент.
Подбирайте модель GJR(1,1) к дневному закрытию, которое возвращает Сводный индекс NASDAQ.
Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте индекс в возвраты.
load Data_EquityIdx nasdaq = DataTable.NASDAQ; y = price2ret(nasdaq); T = length(y); figure plot(y) xlim([0,T]) title('NASDAQ Returns')
Возвраты показывают кластеризацию энергозависимости.
Задайте модель GJR(1,1) и соответствуйте ей к ряду. Преддемонстрационные инновации требуются, чтобы инициализировать эту модель. Используйте первое наблюдение за y
как необходимые преддемонстрационные инновации.
Mdl = gjr(1,1);
[EstMdl,EstParamCov] = estimate(Mdl,y(2:end),'E0',y(1))
GJR(1,1) Conditional Variance Model (Gaussian Distribution): Value StandardError TStatistic PValue __________ _____________ __________ __________ Constant 2.4579e-06 5.6867e-07 4.3222 1.545e-05 GARCH{1} 0.88134 0.00949 92.87 0 ARCH{1} 0.064098 0.0091979 6.9688 3.197e-12 Leverage{1} 0.088851 0.0099167 8.9597 3.2551e-19
EstMdl = gjr with properties: Description: "GJR(1,1) Conditional Variance Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: 2.4579e-06 GARCH: {0.881336} at lag [1] ARCH: {0.0640985} at lag [1] Leverage: {0.0888512} at lag [1] Offset: 0
EstParamCov = 4×4
10-4 ×
0.0000 -0.0000 0.0000 0.0000
-0.0000 0.9006 -0.6935 -0.0003
0.0000 -0.6935 0.8460 -0.3606
0.0000 -0.0003 -0.3606 0.9834
Выход EstMdl
новый gjr
модель предполагаемыми параметрами.
Используйте выходную ковариационную матрицу отклонения, чтобы вычислить оценочные стандартные погрешности.
se = sqrt(diag(EstParamCov))
se = 4×1
0.0000
0.0095
0.0092
0.0099
Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (в порядке) к постоянному, коэффициенту GARCH, коэффициенту ДУГИ, и усиливают коэффициент.
Mdl
— Условная модель отклоненияgarch
объект модели | egarch
объект модели | gjr
объект моделиy
— Один путь данных об ответеОдин путь данных об ответе, заданных как числовой вектор-столбец. Программное обеспечение выводит условные отклонения из y
, т.е. данные, к которым модель является подходящей.
y
обычно инновационный ряд со средним значением 0 и условным отклонением, охарактеризованным моделью, заданной в Mdl
. В этом случае, y
продолжение инновационной серии E0
.
y
может также представлять инновационный ряд со средним значением 0 плюс смещение. Ненулевой Offset
сигнализирует о включении смещения в Mdl
.
Последнее наблюдение за y
последнее наблюдение.
Типы данных: double
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'Display','iter','E0',[0.1; 0.05]
задает, чтобы отобразить итеративную информацию об оптимизации и [0.05; 0.1]
как преддемонстрационные инновации.'ARCH0'
— Начальные содействующие оценки, соответствующие прошлым инновационным срокамНачальные содействующие оценки, соответствующие прошлым инновационным срокам, заданным как разделенная запятой пара, состоящая из 'ARCH0'
и числовой вектор.
Для GARCH (P, Q) и GJR (P, Q) модели:
ARCH0
должен быть числовой вектор, содержащий неотрицательные элементы.
ARCH0
содержит начальные содействующие оценки, сопоставленные с прошлыми инновационными сроками в квадрате, которые составляют полином ДУГИ.
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Для EGARCH (P, Q) модели:
ARCH0
содержит начальные содействующие оценки, сопоставленные с величиной прошлых стандартизированных инноваций, которые составляют полином ДУГИ.
По умолчанию, estimate
устанавливает начальную содействующую оценку, сопоставленную с первой ненулевой задержкой в модели к маленькому положительному значению. Все другие значения являются нулем.
Количество коэффициентов в ARCH0
должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в полиноме ДУГИ, как задано в ARCHLags
свойство Mdl
.
Типы данных: double
'Constant0'
— Первоначальная условная модель отклонения постоянная оценкаПервоначальная условная модель отклонения постоянная оценка, заданная как разделенная запятой пара, состоящая из 'Constant0'
и числовой скаляр.
Для GARCH (P, Q) и GJR (P, Q) модели, Constant0
должна быть положительная скалярная величина.
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'Display'
— Параметр отображения Командного окна'params'
(значение по умолчанию) | 'diagnostics'
| 'full'
| 'iter'
| 'off'
| представьте вектор в виде строки | вектор ячейки векторов символовПараметр отображения Командного окна, заданный как разделенная запятой пара, состоящая из 'Display'
и значение или любая комбинация значений в этой таблице.
Значение | оцените Отображения |
---|---|
'diagnostics' | Диагностика оптимизации |
'full' | Оценки параметра наибольшего правдоподобия, стандартные погрешности, статистика t, итеративная информация об оптимизации и диагностика оптимизации |
'iter' | Итеративная информация об оптимизации |
'off' | Никакое отображение в Командном окне |
'params' | Оценки параметра наибольшего правдоподобия, стандартные погрешности и статистика t |
Например:
Запускать симуляцию, где вы подбираете много моделей, и поэтому хотите подавить весь выход, 'Display','off'
использования.
Чтобы отобразить все результаты оценки и диагностику оптимизации, используйте 'Display',{'params','diagnostics'}
.
Типы данных: char |
cell
| string
'DoF0'
— Начальный t - оценка параметра степеней свободы распределения
(значение по умолчанию) | положительная скалярная величинаНачальный t - оценка параметра степеней свободы распределения, заданная как разделенная запятой пара, состоящая из 'DoF0'
и положительная скалярная величина. DoF0
должен превысить 2.
Типы данных: double
'E0'
— Преддемонстрационные инновацииПреддемонстрационные инновации, заданные как разделенная запятой пара, состоящая из 'E0'
и числовой вектор-столбец. Преддемонстрационные инновации вводят начальные значения для инновационного процесса условной модели Mdl
отклонения. Преддемонстрационные инновации выводят из распределения со средним значением 0.
E0
должен содержать, по крайней мере, Mdl.Q
'Строки' . Если E0
содержит дополнительные строки, затем estimate
использует последний Mdl.Q
преддемонстрационные инновации. Последняя строка содержит последние преддемонстрационные инновации.
Значения по умолчанию:
Для GARCH (P, Q) и GJR (P, Q) модели, estimate
наборы любые необходимые преддемонстрационные инновации к квадратному корню из среднего значения придали значению квадратную форму настроенной смещением серии y
ответа.
Для EGARCH (P, Q) модели, estimate
обнуляет любые необходимые преддемонстрационные инновации.
Типы данных: double
'GARCH0'
— Начальный коэффициент оценивает для прошлых условных сроков отклоненияНачальный коэффициент оценивает для прошлых условных сроков отклонения, заданных как разделенная запятой пара, состоящая из 'GARCH0'
и числовой вектор.
Для GARCH (P, Q) и GJR (P, Q) модели:
GARCH0
должен быть числовой вектор, содержащий неотрицательные элементы.
GARCH0
содержит начальные содействующие оценки, сопоставленные с прошлыми условными сроками отклонения, которые составляют полином GARCH.
Для EGARCH (P, Q) модели, GARCH0
содержит начальные содействующие оценки, сопоставленные с прошлыми логарифмическими условными сроками отклонения, которые составляют полином GARCH.
Количество коэффициентов в GARCH0
должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в полиноме GARCH, как задано в GARCHLags
свойство Mdl
.
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'Offset0'
— Начальная инновационная средняя оценка смещения моделиНачальная инновационная средняя оценка смещения модели, заданная как разделенная запятой пара, состоящая из 'Offset0'
и скаляр.
По умолчанию, estimate
устанавливает первоначальную оценку на демонстрационное среднее значение y
.
Типы данных: double
'Options'
— Опции оптимизацииoptimoptions
контроллер оптимизацииОпции оптимизации, заданные как разделенная запятой пара, состоящая из 'Options'
и optimoptions
контроллер оптимизации. Для получения дополнительной информации при изменении значений по умолчанию оптимизатора, смотрите optimoptions
или fmincon
в Optimization Toolbox™.
Например, чтобы изменить допуск ограничения в 1e-6
, установите Options = optimoptions(@fmincon,'ConstraintTolerance',1e-6,'Algorithm','sqp')
. Затем передача Options
в estimate
использование 'Options',Options
.
По умолчанию, estimate
использует те же опции по умолчанию в качестве fmincon
, кроме Algorithm
'sqp'
и ConstraintTolerance
1e-7
.
'V0'
— Преддемонстрационные условные отклоненияПреддемонстрационные условные отклонения, заданные как разделенная запятой пара, состоящая из 'V0'
и числовой вектор-столбец с положительными записями. V0
введите начальные значения для условного процесса отклонения условной модели Mdl
отклонения.
Для GARCH (P, Q) и GJR (P, Q) модели, V0
должен иметь, по крайней мере, Mdl.P
'Строки' .
Для EGARCH (P, Q) модели, V0
должен иметь, по крайней мере, max(Mdl.P,Mdl.Q)
'Строки' .
Если количество строк в V0
превышает необходимый номер, только последние наблюдения используются. Последняя строка содержит последнее наблюдение.
По умолчанию, estimate
устанавливает необходимые преддемонстрационные условные отклонения на среднее значение в квадрате настроенной смещением серии y
ответа.
Типы данных: double
'Leverage0'
— Начальный коэффициент оценивает прошлые сроки рычагов
(значение по умолчанию) | числовой векторНачальный коэффициент оценивает прошлые сроки рычагов, заданные как разделенная запятой пара, состоящая из 'Leverage0'
и числовой вектор.
Для EGARCH (P, Q) модели, Leverage0
содержит начальные содействующие оценки, сопоставленные с прошлыми стандартизированными инновационными сроками, которые составляют полином рычагов.
Для GJR (P, Q) модели, Leverage0
содержит начальные содействующие оценки, сопоставленные с прошлым, отрицательные инновации в квадрате, которые составляют полином рычагов.
Количество коэффициентов в Leverage0
должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в полиноме рычагов (Leverage
), как задано в LeverageLags
.
Типы данных: double
NaN
s в данных о предварительной выборке или оценке указывают на недостающие данные и estimate
удаляет их. Программное обеспечение объединяет преддемонстрационные данные (E0
и V0
) отдельно от эффективных выборочных данных (y
), и затем использует мудрое списком удаление, чтобы удалить строки, содержащие по крайней мере один NaN
. Удаление NaN
s в данных уменьшает объем выборки и может также создать неправильные временные ряды.
estimate
принимает, что вы синхронизируете преддемонстрационные данные, таким образом, что последние наблюдения происходят одновременно.
Если вы задаете значение для Display
, затем это более приоритетно по сравнению со спецификациями опций оптимизации Diagnostics
и Display
. В противном случае, estimate
почести все выборы, связанные с отображением информации об оптимизации в опциях оптимизации.
Если вы не задаете E0
и V0
, затем estimate
выводит необходимые преддемонстрационные наблюдения из безусловного, или отдаленного, отклонения настроенного смещением процесса ответа.
Для всех условных моделей отклонения, V0
демонстрационное среднее значение воздействий в квадрате настроенных смещением данных об ответе y
.
Для GARCH (P, Q) и GJR (P, Q) модели, E0
квадратный корень из среднего значения в квадрате настроенной смещением серии y
ответа.
Для EGARCH (P, Q) модели, E0
0
.
Эти спецификации минимизируют начальные переходные эффекты.
EstMdl
— Условная модель отклонения, содержащая оценки параметраgarch
объект модели | egarch
объект модели | gjr
объект моделиУсловная модель отклонения, содержащая оценки параметра, возвращенные как garch
, egarch
, или gjr
объект модели. estimate
наибольшее правдоподобие использования, чтобы вычислить все оценки параметра, не ограниченные Mdl
(т.е. ограниченные параметры знали значения).
EstMdl
полностью заданная условная модель отклонения. Чтобы вывести условные отклонения для диагностической проверки, передайте EstMdl
к infer
. Чтобы симулировать или предсказать условные отклонения, передайте EstMdl
к simulate
или forecast
, соответственно.
EstParamCov
— Ковариационная матрица отклонения оценок наибольшего правдоподобияКовариационная матрица отклонения оценок наибольшего правдоподобия параметров модели, известных оптимизатору, возвращенному как числовая матрица.
Строки и столбцы, сопоставленные любыми параметрами, оцененными наибольшим правдоподобием, содержат ковариации ошибки оценки. Стандартные погрешности оценок параметра являются квадратным корнем из записей по основной диагонали.
Строки и столбцы сопоставили любыми параметрами, которые считаются зафиксированные, когда ограничения равенства содержат 0
s.
estimate
использует векторное произведение градиентов (OPG) метод, чтобы выполнить оценку ковариационной матрицы.
estimate
заказывает параметры в EstParamCov
можно следующим образом:
Постоянный
Ненулевые коэффициенты GARCH в положительных задержках
Ненулевые коэффициенты ДУГИ в положительных задержках
Для моделей EGARCH и GJR, ненулевых коэффициентов рычагов в положительных задержках
Степени свободы (только инновационное распределение t)
Возместите (модели только с ненулевым смещением)
Типы данных: double
logL
— Оптимизированное значение целевой функции логарифмической правдоподобностиОптимизированное значение целевой функции логарифмической правдоподобности, возвращенное как скаляр.
Типы данных: double
info
Итоговая информацияИтоговая информация, возвращенная как структура.
Поле | Описание |
---|---|
exitflag | Выходной флаг оптимизации (см. fmincon в Optimization Toolbox) |
options | Контроллер опций оптимизации (см. optimoptions и fmincon в Optimization Toolbox) |
X | Вектор итоговых оценок параметра |
X0 | Вектор начальных оценок параметра |
Например, можно отобразить вектор итоговых оценок путем ввода info.X
в Командном окне.
Типы данных: struct
[1] Боллерслев, T. “Обобщенный Авторегрессивный Условный Heteroskedasticity”. Журнал Эконометрики. Издание 31, 1986, стр 307–327.
[2] Боллерслев, T. “Условно Модель Временных рядов Heteroskedastic за Спекулятивные Цены и Нормы прибыли”. Анализ Экономики и Статистики. Издание 69, 1987, стр 542–547.
[3] Поле, G. E. P. Г. М. Дженкинс и Г. К. Рейнсель. Анализ Временных Рядов: Прогнозирование и Управление. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1994.
[4] Enders, W. Прикладные эконометрические временные ряды. Хобокен, NJ: John Wiley & Sons, 1995.
[5] Энгл, R. F. “Авторегрессивный Условный Heteroskedasticity с Оценками Отклонения Инфляции Соединенного Королевства”. Econometrica. Издание 50, 1982, стр 987–1007.
[6] Glosten, L. R. Р. Джейгэннэзэн и Д. Э. Ранкл. “На Отношении между Ожидаемым значением и Энергозависимостью Номинального Избыточного Возврата на Запасах”. Журнал Финансов. Издание 48, № 5, 1993, стр 1779–1801.
[7] Грин, В. Х. Эконометрик Анэлизис. 3-й редактор Верхний Сэддл-Ривер, NJ: Prentice Hall, 1997.
[8] Гамильтон, J. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.