Предскажите векторные ответы модели (VAR) авторегрессии
возвращает путь прогнозов минимальной среднеквадратической ошибки (MMSE) (Y
= forecast(Mdl
,numperiods
,Y0
)Y
) по длине numperiods
предскажите горизонт с помощью полностью заданной модели VAR (p) Mdl
. Предсказанные ответы представляют продолжение преддемонстрационных данных Y0
.
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, можно задать будущие внешние данные о предикторе или включать будущие ответы для условного прогнозирования. Y
= forecast(Mdl
,numperiods
,Y0
,Name,Value
)
forecast
оценивает безусловные прогнозы с помощью уравнения
где t = 1..., numperiods
. forecast
фильтрует numperiods
- numseries
матрица инноваций с нулевым знаком через Mdl
. forecast
использование заданные преддемонстрационные инновации (Y0
) везде, где необходимо.
forecast
оценочные условные прогнозы с помощью Фильтра Калмана.
forecast
представляет модель VAR Mdl
как модель в пространстве состояний (ssm
объект модели) без ошибки наблюдения.
forecast
фильтрует данные о прогнозе YF
через модель в пространстве состояний. В период t в горизонте прогноза любой неизвестный ответ
где
s <t, отфильтрованная оценка y с периода s в горизонте прогноза. forecast
использование заданные преддемонстрационные значения в Y0
в течение периодов перед горизонтом прогноза.
Для получения дополнительной информации смотрите filter
и [4], стр 612 и 615.
Путем forecast
определяет numpaths
, количество страниц в выходном аргументе Y
, зависит от типа прогноза.
Если вы оцениваете безусловные прогнозы, что означает, что вы не задаете аргумент пары "имя-значение" YF
, затем numpaths
количество страниц во входном параметре Y0
.
Если вы оцениваете условные прогнозы и Y0
и YF
имейте больше чем одну страницу, затем numpaths
количество страниц в массиве с меньшим количеством страниц. Если количество страниц в Y0
или YF
превышает numpaths
, затем forecast
использование только первый numpaths
страницы.
Если вы оцениваете условные прогнозы и любой Y0
или YF
имеет одну страницу, затем numpaths
количество страниц в массиве с большинством страниц. forecast
использует массив с одной страницей для каждого пути.
forecast
устанавливает источник времени моделей, которые включают линейные тренды времени (t 0) к size(Y0,1)
– Mdl.P
(после удаления отсутствующих значений). Поэтому временами в компоненте тренда является t = t 0 + 1, t 0 + 2..., t 0 + numobs
. Это соглашение сопоставимо с поведением по умолчанию оценки модели который estimate
удаляет первый Mdl.P
ответы, уменьшая эффективный объем выборки. Несмотря на то, что forecast
явным образом использует первый Mdl.P
преддемонстрационные ответы в Y0
чтобы инициализировать модель, общее количество наблюдений (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.