Пропустите воздействия через векторную модель (VAR) авторегрессии
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, можно задать внешние данные о предикторе или масштабировать ли воздействия нижним треугольным Фактором Холесского инновационной ковариационной матрицы модели.Y
= filter(Mdl
,Z
,Name,Value
)
filter
вычисляет Y
и E
использование этого процесса для каждой страницы j
в Z
.
filter
обобщает simulate
. И функции пропускают ряд воздействия через модель, чтобы произвести ответы и инновации. Однако, тогда как simulate
генерирует серию среднего нуля, модульного отклонения, независимые Гауссовы воздействия Z
сформировать инновации E
= L*Z
фильтр
позволяет вам предоставить воздействия от любого распределения.
filter
использование этот процесс, чтобы определить источник времени t 0 из моделей, которые включают линейные тренды времени.
Если вы не задаете Y0
, затем t 0 = 0.
В противном случае, filter
наборы t 0 к size(Y0,1)
– Mdl.P
. Поэтому временами в компоненте тренда является t = t 0 + 1, t 0 + 2..., t 0 + numobs
, где numobs
эффективный объем выборки (size(Y,1)
после filter
удаляет отсутствующие значения). Это соглашение сопоставимо с поведением по умолчанию оценки модели который estimate
удаляет первый Mdl.P
ответы, уменьшая эффективный объем выборки. Несмотря на то, что filter
явным образом использует первый Mdl.P
преддемонстрационные ответы в Y0
инициализировать модель, общее количество наблюдений в Y0
и Y
(исключая отсутствующие значения), определяет t 0.
[1] Гамильтон, J. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.
[2] Йохансен, S. Основанный на вероятности вывод в векторных авторегрессивных моделях Cointegrated. Оксфорд: Издательство Оксфордского университета, 1995.
[3] Juselius, K. Модель VAR Cointegrated. Оксфорд: Издательство Оксфордского университета, 2006.
[4] Lütkepohl, H. Новое введение в несколько анализ временных рядов. Берлин: Спрингер, 2005.