summarize

Отобразите результаты оценки векторной модели (VAR) авторегрессии

Описание

пример

summarize(Mdl) отображает сводные данные модели VAR (p) Mdl.

  • Если Mdl предполагаемая модель VAR, возвращенная estimate, затем summarize оценка печати заканчивается к Командному окну MATLAB®. Отображение включает таблицу оценок параметра с соответствующими стандартными погрешностями, статистикой t и p - значения. Сводные данные также включают логарифмическую правдоподобность, Критерий информации о Akaike (AIC), и статистику подгонки модели Bayesian Information Criterion (BIC), а также предполагаемые инновации ковариационные и корреляционные матрицы.

  • Если Mdl непредполагаемая модель VAR, возвращенная varm, затем summarize распечатывает отображение стандартного объекта (то же отображение, что varm печать во время создания модели).

пример

results = summarize(Mdl) возвращает одну из следующих переменных и не распечатывает к Командному окну.

  • Если Mdl предполагаемая модель VAR, затем results структура, содержащая результаты оценки.

  • Если Mdl непредполагаемая модель VAR, затем results varm объект модели, который равен Mdl.

Примеры

свернуть все

Подбирайте модель VAR (4) к данным об уровне безработицы и индексу потребительских цен (CPI).

Загрузите Data_USEconModel набор данных.

load Data_USEconModel

Постройте два ряда на отдельных графиках.

figure;
plot(DataTable.Time,DataTable.CPIAUCSL);
title('Consumer Price Index');
ylabel('Index');
xlabel('Date');

figure;
plot(DataTable.Time,DataTable.UNRATE);
title('Unemployment Rate');
ylabel('Percent');
xlabel('Date');

Стабилизируйте CPI путем преобразования его в серию темпов роста. Синхронизируйте два ряда путем удаления первого наблюдения из ряда уровня безработицы.

rcpi = price2ret(DataTable.CPIAUCSL);
unrate = DataTable.UNRATE(2:end);

Создайте модель VAR (4) по умолчанию с помощью краткого синтаксиса.

Mdl = varm(2,4)
Mdl = 
  varm with properties:

     Description: "2-Dimensional VAR(4) Model"
     SeriesNames: "Y1"  "Y2" 
       NumSeries: 2
               P: 4
        Constant: [2×1 vector of NaNs]
              AR: {2×2 matrices of NaNs} at lags [1 2 3 ... and 1 more]
           Trend: [2×1 vector of zeros]
            Beta: [2×0 matrix]
      Covariance: [2×2 matrix of NaNs]

Mdl varm объект модели. Все свойства, содержащие NaN значения соответствуют параметрам, чтобы быть оцененными определенными данными.

Оцените модель с помощью целого набора данных.

EstMdl = estimate(Mdl,[rcpi unrate])
EstMdl = 
  varm with properties:

     Description: "AR-Stationary 2-Dimensional VAR(4) Model"
     SeriesNames: "Y1"  "Y2" 
       NumSeries: 2
               P: 4
        Constant: [0.00171639 0.316255]'
              AR: {2×2 matrices} at lags [1 2 3 ... and 1 more]
           Trend: [2×1 vector of zeros]
            Beta: [2×0 matrix]
      Covariance: [2×2 matrix]

EstMdl предполагаемый varm объект модели. Это полностью задано, потому что все параметры знали значения. Описание указывает, что авторегрессивный полином является стационарным.

Отобразите итоговую статистику от оценки.

summarize(EstMdl)
 
   AR-Stationary 2-Dimensional VAR(4) Model
 
    Effective Sample Size: 241
    Number of Estimated Parameters: 18
    LogLikelihood: 811.361
    AIC: -1586.72
    BIC: -1524
 
                      Value       StandardError    TStatistic      PValue  
                   ___________    _____________    __________    __________

    Constant(1)      0.0017164      0.0015988         1.0735        0.28303
    Constant(2)        0.31626       0.091961          3.439      0.0005838
    AR{1}(1,1)         0.30899       0.063356          4.877     1.0772e-06
    AR{1}(2,1)         -4.4834         3.6441        -1.2303        0.21857
    AR{1}(1,2)      -0.0031796      0.0011306        -2.8122       0.004921
    AR{1}(2,2)          1.3433       0.065032         20.656      8.546e-95
    AR{2}(1,1)         0.22433       0.069631         3.2217      0.0012741
    AR{2}(2,1)          7.1896          4.005         1.7951       0.072631
    AR{2}(1,2)       0.0012375      0.0018631         0.6642        0.50656
    AR{2}(2,2)        -0.26817        0.10716        -2.5025       0.012331
    AR{3}(1,1)         0.35333       0.068287         5.1742     2.2887e-07
    AR{3}(2,1)           1.487         3.9277        0.37858          0.705
    AR{3}(1,2)       0.0028594      0.0018621         1.5355        0.12465
    AR{3}(2,2)        -0.22709         0.1071        -2.1202       0.033986
    AR{4}(1,1)       -0.047563       0.069026       -0.68906        0.49079
    AR{4}(2,1)          8.6379         3.9702         2.1757       0.029579
    AR{4}(1,2)     -0.00096323      0.0011142       -0.86448        0.38733
    AR{4}(2,2)        0.076725       0.064088         1.1972        0.23123

 
   Innovations Covariance Matrix:
    0.0000   -0.0002
   -0.0002    0.1167

 
   Innovations Correlation Matrix:
    1.0000   -0.0925
   -0.0925    1.0000

Рассмотрите эти четыре модели VAR индекса потребительских цен (CPI) и уровня безработицы: VAR (0), VAR (1), VAR (4) и VAR (8). Используя исторические данные, оценка каждый, и затем сравнивают подгонки модели с помощью получившегося BIC.

Загрузите Data_USEconModel набор данных. Объявите переменные для индекса потребительских цен (CPI) и уровень безработицы (UNRATE) ряд. Удалите любые отсутствующие значения с начала ряда.

load Data_USEconModel
cpi = DataTable.CPIAUCSL;
unrate = DataTable.UNRATE;
idx = all(~isnan([cpi unrate]),2);
cpi = cpi(idx);
unrate = unrate(idx);

Стабилизируйте CPI путем преобразования его в серию темпов роста. Синхронизируйте два ряда путем удаления первого наблюдения из ряда уровня безработицы.

rcpi = price2ret(cpi);
unrate = unrate(2:end);

В цикле:

  • Создайте модель VAR с помощью краткого синтаксиса.

  • Оцените Модель VAR. Зарезервируйте максимальное значение p как преддемонстрационные наблюдения.

  • Сохраните результаты оценки.

numseries = 2;
p = [0 1 4 8];
estMdlResults = cell(numel(p),1); % Preallocation
Y0 = [rcpi(1:max(p)) unrate(1:max(p))];
Y = [rcpi((max(p) + 1):end) unrate((max(p) + 1):end)];

for j = 1:numel(p)
    Mdl = varm(numseries,p(j));
    EstMdl = estimate(Mdl,Y,'Y0',Y);
    estMdlResults{j} = summarize(EstMdl);
end

estMdlResults 4 1 массив ячеек массивов структур, содержащих результаты оценки каждой модели.

Извлеките BIC из каждого набора результатов.

BIC = cellfun(@(x)x.BIC,estMdlResults)
BIC = 4×1
103 ×

   -0.7153
   -1.3678
   -1.4378
   -1.3853

Модель, соответствующая самому низкому BIC, имеет лучшую подгонку среди рассмотренных моделей. Поэтому VAR (4) является моделью оптимальной подгонки.

Входные параметры

свернуть все

Модель VAR, заданная как varm объект модели возвращен estimate, varm, или varm (vecm функция.

Выходные аргументы

свернуть все

Сводные данные модели, возвращенные как массив структур или varm объект модели.

  • Если Mdl предполагаемая модель VAR, затем results массив структур, содержащий поля в этой таблице.

    Поле Описание
    DescriptionИтоговое описание модели (строка)
    SampleSizeЭффективный объем выборки (числовой скаляр)
    NumEstimatedParametersКоличество предполагаемых параметров (числовой скаляр)
    LogLikelihoodОптимизированное значение логарифмической правдоподобности (числовой скаляр)
    AICКритерий информации о Akaike (числовой скаляр)
    BICБайесов информационный критерий (числовой скаляр)
    TableПараметр оценивает с соответствующими стандартными погрешностями, статистика t (оценка, разделенная на стандартную погрешность), и p - значения (принимающий нормальность); таблица со строками, соответствующими параметрам модели
    CovarianceПредполагаемая остаточная ковариационная матрица (оценка наибольшего правдоподобия), Mdl.NumSeries- Mdl.NumSeries числовая матрица со строками и столбцами, соответствующими инновациям в уравнениях ответа, упорядоченных по условию Y
    CorrelationПредполагаемая остаточная корреляционная матрица, ее размерности соответствуют размерностям Covariance

  • Если Mdl непредполагаемая модель VAR, затем results varm объект модели, который равен Mdl.

Введенный в R2017a

Для просмотра документации необходимо авторизоваться на сайте