Сгенерируйте разложение отклонения ошибки прогноза (FEVD) модели векторного исправления ошибок (VEC)
fevd
функция возвращает разложение ошибки прогноза (FEVD) переменных в модели VEC (p - 1), относящейся к шокам для каждой переменной отклика в системе. Полностью заданный vecm
объект модели характеризует модель VEC.
FEVD предоставляет информацию об относительной важности каждых инноваций во влиянии на отклонение ошибки прогноза всех переменных отклика в системе. В отличие от этого функция импульсной характеристики (IRF) прослеживает эффекты инновационного шока для одной переменной на ответе всех переменных в системе. Оценить IRF модели VEC, охарактеризованной vecm
объект модели, смотрите irf
.
возвращает ортогонализируемый FEVDs переменных отклика, которые составляют модель VEC (p - 1) Decomposition
= fevd(Mdl
)Mdl
охарактеризованный полностью заданным vecm
объект модели. fevd
переменные шоков во время 0, и возвращают FEVD в течение многих времен 1 - 20.
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, Decomposition
= fevd(Mdl
,Name,Value
)'NumObs',10,'Method',"generalized"
задает оценку обобщенного FEVD в течение многих времен 1 - 10.
[
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 FEVD.Decomposition
,Lower
,Upper
] = fevd(___)
Если вы задаете серию остаточных значений при помощи E
аргумент пары "имя-значение", затем fevd
оценивает доверительные границы путем начальной загрузки заданных остаточных значений.
В противном случае, fevd
оценочные доверительные границы путем проведения симуляции Монте-Карло.
Если Mdl
пользовательский vecm
объект модели (объект, не возвращенный estimate
или измененный после оценки), fevd
может потребовать объема выборки для симуляции SampleSize
или преддемонстрационные ответы Y0
.
Если Method
"orthogonalized"
, затем fevd
ортогонализирует инновационные шоки путем применения факторизации Холесского ковариационной матрицы модели Mdl.Covariance
. Ковариация ортогонализируемых инновационных шоков является единичной матрицей и FEVD каждой переменной суммы одной, то есть, сумма вдоль любой строки Decomposition
тот. Поэтому ортогонализируемый FEVD представляет пропорцию отклонения ошибки прогноза, относящегося к различным шокам в системе. Однако ортогонализируемый FEVD обычно зависит от порядка переменных.
Если Method
"generalized"
, затем получившийся FEVD, затем получившийся FEVD является инвариантным к порядку переменных и не является основанным на ортогональном преобразовании. Кроме того, получившийся FEVD суммирует одному для конкретной переменной только когда Mdl.Covariance
диагональный [5]. Поэтому обобщенный FEVD представляет вклад в отклонение ошибки прогноза мудрых уравнением шоков для переменных отклика в модели.
Если Mdl.Covariance
диагональная матрица, затем получившиеся обобщенные и ортогонализируемые FEVDs идентичны. В противном случае получившиеся обобщенные и ортогонализируемые FEVDs идентичны только, когда первая переменная потрясает все переменные (другими словами, все остальное являющееся тем же самым, оба метода дают к тому же значению Decomposition(:,1,:)
).
NaN
значения в Y0
X
, и E
укажите на недостающие данные. fevd
удаляет недостающие данные из этих аргументов мудрым списком удалением. Каждый аргумент, если строка содержит по крайней мере один NaN
, затем fevd
удаляет целую строку.
Мудрое списком удаление уменьшает объем выборки, может создать неправильные временные ряды и может вызвать E
и X
не синхронизироваться.
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), fevd
применяет те же внешние данные ко всем путям, используемым в оценке доверительного интервала.
fevd
проводит симуляцию, чтобы оценить доверительные границы Lower
и Upper
.
Если вы не задаете остаточные значения E
, затем fevd
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
, fevd
соответствует NumPaths
модели к симулированным путям к ответу и X
(те же данные о предикторе для всех путей).
Оцените NumPaths
FEVDs 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 fevd
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] 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. Нью-Йорк, Нью-Йорк: Springer-Verlag, 2007.
[5] Pesaran, H. H. и И. Шин. "Обобщенный Анализ Импульсной характеристики в Линейных Многомерных Моделях". Экономические Буквы. Издание 58, 1998, стр 17–29.