Сгенерируйте векторные импульсные характеристики модели (VAR) авторегрессии
irf
функция возвращает динамический ответ или функцию импульсной характеристики (IRF), к шоку с одним стандартным отклонением для каждой переменной в модели VAR (p). Полностью заданный varm
объект модели характеризует модель VAR.
Чтобы оценить или построить IRF динамической линейной модели, охарактеризованной структурным, авторегрессия или содействующие матрицы скользящего среднего значения, видит armairf
.
IRFs прослеживают эффекты инновационного шока для одной переменной на ответе всех переменных в системе. В отличие от этого разложение отклонения ошибки прогноза (FEVD) предоставляет информацию об относительной важности каждых инноваций во влиянии на все переменные в системе. Оценить FEVD модели VAR, охарактеризованной varm
объект модели, смотрите fevd
.
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, Response
= irf(Mdl
,Name,Value
)'NumObs',10,'Method',"generalized"
задает оценку обобщенного IRF для 10 моментов времени, запускающихся во время 0, во время который irf
применяет шок, и заканчивающийся в период 9.
[
использование любая из комбинаций входных аргументов в предыдущих синтаксисах и возвращает более низкие и верхние 95% доверительных границ в течение каждого периода и переменной в IRF:Response
,Lower
,Upper
] = irf(___)
Если вы задаете серию остаточных значений при помощи E
аргумент пары "имя-значение", затем irf
оценивает доверительные границы путем начальной загрузки заданных остаточных значений.
В противном случае, irf
оценочные доверительные границы путем проведения симуляции Монте-Карло.
Если Mdl
пользовательский varm
объект модели (объект, не возвращенный estimate
или измененный после оценки), irf
может потребовать объема выборки для симуляции SampleSize
или преддемонстрационные ответы Y0
.
NaN
значения в Y0
X
, и E
укажите на недостающие данные. irf
удаляет недостающие данные из этих аргументов мудрым списком удалением. Каждый аргумент, если строка содержит по крайней мере один NaN
, затем irf
удаляет целую строку.
Мудрое списком удаление уменьшает объем выборки, может создать неправильные временные ряды и может вызвать E
и X
не синхронизироваться.
Если Method
"orthogonalized"
, затем получившийся IRF зависит от порядка переменных в модели временных рядов. Если Method
"generalized"
, затем получившийся IRF является инвариантным к порядку переменных. Поэтому эти два метода обычно приводят к различным результатам.
Если Mdl.Covariance
диагональная матрица, затем получившиеся обобщенные и ортогонализируемые IRFs идентичны. В противном случае получившиеся обобщенные и ортогонализируемые IRFs идентичны только, когда первая переменная потрясает все переменные (то есть, все остальное являющееся тем же самым, оба метода дают к тому же значению Response(:,1,:)
).
Данные о предикторе X
представляет один путь внешних многомерных временных рядов. Если вы задаете X
и модель VAR Mdl
имеет компонент регрессии (Mdl.Beta
не пустой массив), irf
применяет те же внешние данные ко всем путям, используемым в оценке доверительного интервала.
irf
проводит симуляцию, чтобы оценить доверительные границы Lower
и Upper
.
Если вы не задаете остаточные значения E
, затем irf
проводит симуляцию Монте-Карло путем выполнения этой процедуры:
Симулируйте NumPaths
пути к ответу длины SampleSize
от Mdl
.
Подходящий NumPaths
модели, которые имеют ту же структуру как Mdl
к симулированным путям к ответу. Если Mdl
содержит компонент регрессии, и вы задаете X
, затем irf
соответствует NumPaths
модели к симулированным путям к ответу и X
(те же данные о предикторе для всех путей).
Оцените NumPaths
IRFs от NumPaths
предполагаемые модели.
Для каждого момента времени t = 0, …, NumObs
, оцените доверительные интервалы путем вычисления 1 – Confidence
и Confidence
квантили (верхние и нижние границы, соответственно).
Если вы задаете остаточные значения E
, затем irf
проводит непараметрическую начальную загрузку путем выполнения этой процедуры:
Передискретизируйте, с заменой, SampleSize
остаточные значения E
. Выполните этот шаг NumPaths
времена, чтобы получить NumPaths
пути .
Сосредоточьте каждый путь загруженных остаточных значений.
Отфильтруйте каждый путь загруженных остаточных значений в центре через Mdl
получить NumPaths
загруженные пути к ответу длины SampleSize
.
Полные шаги 2 - 4 симуляции Монте-Карло, но замена симулированные пути к ответу с загруженными путями к ответу.
[1] Гамильтон, J. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.
[2] Lütkepohl, H. Новое введение в несколько анализ временных рядов. Нью-Йорк, Нью-Йорк: Springer-Verlag, 2007.
[3] Pesaran, H. H. и И. Шин. "Обобщенный Анализ Импульсной характеристики в Линейных Многомерных Моделях". Экономические Буквы. Издание 58, 1998, стр 17–29.