Создайте векторную модель (VAR) авторегрессии
varm
функция возвращает varm
объект, задающий функциональную форму и хранящий значения параметров p - порядок, стационарная, многомерная векторная модель (VAR(p)) модели авторегрессии.
Ключевые компоненты varm
объект включает количество временных рядов (response-variable dimensionality) и порядок многомерного авторегрессивного полинома (p), потому что они полностью задают структуру модели. Другие компоненты модели включают компонент регрессии, чтобы сопоставить те же внешние переменные предикторы к каждому ряду ответа, и постоянный и условия тренда времени. Учитывая размерность переменной отклика и p, все содействующие матрицы и инновационные параметры распределения являются неизвестными и допускающими оценку, если вы не задаете их значения.
Чтобы оценить модели, содержащие неизвестные значения параметров, передайте модель и данные к estimate
. Работать с предполагаемым или полностью заданным varm
объект модели, передайте его объектной функции.
создает модель VAR (0), состоявшую из одного ряда ответа.Mdl
= varm
создает VAR (Mdl
= varm(numseries
,numlags
)numlags
) модель состоит из numseries
ряд ответа. Максимальной ненулевой задержкой является numlags
. Все задержки имеют numseries
- numseries
содействующие матрицы состоят из NaN
значения.
Этот краткий синтаксис допускает легкое создание шаблона модели. Шаблон модели подходит для неограниченной оценки параметра, то есть, оценки без ограничений равенства параметра. После того, как вы создадите модель, можно изменить значения свойств с помощью записи через точку.
свойства наборов или аргументы пары "имя-значение" использования дополнительных опций. Заключите каждое имя в кавычки. Например, Mdl
= varm(Name,Value
)'Lags',[1 4],'AR',AR
задает две авторегрессивных содействующих матрицы в AR
в задержках 1
и 4
.
Этот рукописный синтаксис допускает создание более гибких моделей. varm
выводит количество ряда (NumSeries
) и авторегрессивная полиномиальная степень (P
) из свойств, которые вы устанавливаете. Поэтому значения свойств, которые соответствуют количеству ряда или авторегрессивной полиномиальной степени, должны быть сопоставимы друг с другом.
estimate | Подбирайте векторную модель (VAR) авторегрессии к данным |
fevd | Сгенерируйте векторное разложение отклонения ошибки прогноза (FEVD) модели (VAR) авторегрессии |
filter | Пропустите воздействия через векторную модель (VAR) авторегрессии |
forecast | Предскажите векторные ответы модели (VAR) авторегрессии |
gctest | Причинная связь Грейнджера и блок exogeneity тестируют на векторные модели (VAR) авторегрессии |
infer | Выведите векторную модель авторегрессии (VAR) инновации |
irf | Сгенерируйте векторные импульсные характеристики модели (VAR) авторегрессии |
simulate | Симуляция Монте-Карло векторной модели (VAR) авторегрессии |
summarize | Отобразите результаты оценки векторной модели (VAR) авторегрессии |
vecm | Преобразуйте векторную модель (VAR) авторегрессии в модель векторного исправления ошибок (VEC) |