Предскажите ответы модели векторного исправления ошибок (VEC)
возвращает путь прогнозов минимальной среднеквадратической ошибки (MMSE) (Y
= forecast(Mdl
,numperiods
,Y0
)Y
) по длине numperiods
предскажите горизонт с помощью полностью заданной модели VEC (p - 1) Mdl
. Предсказанные ответы представляют продолжение преддемонстрационных данных Y0
.
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, Y
= forecast(Mdl
,numperiods
,Y0
,Name,Value
)'X',X,'YF',YF
задает X
как будущие внешние данные о предикторе для компонента регрессии и YF
как будущие данные об ответе для условного прогнозирования.
Рассмотрите модель VEC для следующих семи макроэкономических рядов. Затем подбирайте модель к данным и предскажите ответы 12 четвертей в будущее.
Валовой внутренний продукт (ВВП)
GDP неявный ценовой дефлятор
Заплаченная компенсация сотрудников
Несельскохозяйственные часы делового сектора всех людей
Эффективная ставка по федеральным фондам
Частные потребительские расходы
Грубые частные внутренние инвестиции
Предположим, что cointegrating ранг 4 и один срок короткого промежутка времени является соответствующим, то есть, рассмотрите модель VEC(1).
Загрузите Data_USEconVECModel
набор данных.
load Data_USEconVECModel
Для получения дополнительной информации о наборе данных и переменных, введите Description
в командной строке.
Определите, должны ли данные быть предварительно обработаны путем графического вывода ряда на отдельных графиках.
figure; subplot(2,2,1) plot(FRED.Time,FRED.GDP); title('Gross Domestic Product'); ylabel('Index'); xlabel('Date'); subplot(2,2,2) plot(FRED.Time,FRED.GDPDEF); title('GDP Deflator'); ylabel('Index'); xlabel('Date'); subplot(2,2,3) plot(FRED.Time,FRED.COE); title('Paid Compensation of Employees'); ylabel('Billions of $'); xlabel('Date'); subplot(2,2,4) plot(FRED.Time,FRED.HOANBS); title('Nonfarm Business Sector Hours'); ylabel('Index'); xlabel('Date');
figure; subplot(2,2,1) plot(FRED.Time,FRED.FEDFUNDS); title('Federal Funds Rate'); ylabel('Percent'); xlabel('Date'); subplot(2,2,2) plot(FRED.Time,FRED.PCEC); title('Consumption Expenditures'); ylabel('Billions of $'); xlabel('Date'); subplot(2,2,3) plot(FRED.Time,FRED.GPDI); title('Gross Private Domestic Investment'); ylabel('Billions of $'); xlabel('Date');
Стабилизируйте весь ряд, кроме ставки по федеральным фондам, путем применяния логарифмического преобразования. Масштабируйте получившийся ряд 100 так, чтобы все ряды были по той же шкале.
FRED.GDP = 100*log(FRED.GDP); FRED.GDPDEF = 100*log(FRED.GDPDEF); FRED.COE = 100*log(FRED.COE); FRED.HOANBS = 100*log(FRED.HOANBS); FRED.PCEC = 100*log(FRED.PCEC); FRED.GPDI = 100*log(FRED.GPDI);
Создайте модель VEC(1) с помощью краткого синтаксиса. Задайте имена переменных.
Mdl = vecm(7,4,1); Mdl.SeriesNames = FRED.Properties.VariableNames;
Mdl
vecm
объект модели. Все свойства, содержащие NaN
значения соответствуют параметрам, чтобы быть оцененными определенными данными.
Оцените модель с помощью целого набора данных и опций по умолчанию.
EstMdl = estimate(Mdl,FRED.Variables)
EstMdl = vecm with properties: Description: "7-Dimensional Rank = 4 VEC(1) Model" SeriesNames: "GDP" "GDPDEF" "COE" ... and 4 more NumSeries: 7 Rank: 4 P: 2 Constant: [14.1329 8.77841 -7.20359 ... and 4 more]' Adjustment: [7×4 matrix] Cointegration: [7×4 matrix] Impact: [7×7 matrix] CointegrationConstant: [-28.6082 109.555 -77.0912 ... and 1 more]' CointegrationTrend: [4×1 vector of zeros] ShortRun: {7×7 matrix} at lag [1] Trend: [7×1 vector of zeros] Beta: [7×0 matrix] Covariance: [7×7 matrix]
EstMdl
предполагаемый vecm
объект модели. Это полностью задано, потому что все параметры знали значения. По умолчанию, estimate
налагает ограничения формы модели H1 Йохансен VEC путем удаления cointegrating тренда и линейных условий тренда из модели. Исключение параметра из оценки эквивалентно наложению ограничений равенства, чтобы обнулить.
Предскажите ответы из предполагаемой модели по трехлетнему горизонту. Задайте целый набор данных как преддемонстрационные наблюдения.
numperiods = 12; Y0 = FRED.Variables; Y = forecast(EstMdl,numperiods,Y0);
Y
12 7 матрица предсказанных ответов. Строки соответствуют горизонту прогноза, и столбцы соответствуют переменным в EstMdl.SeriesNames
.
Постройте предсказанные ответы и последние 50 истинных ответов.
fh = dateshift(FRED.Time(end),'end','quarter',1:12); figure; subplot(2,2,1) h1 = plot(FRED.Time((end-49):end),FRED.GDP((end-49):end)); hold on h2 = plot(fh,Y(:,1)); title('Gross Domestic Product'); ylabel('Index (scaled)'); xlabel('Date'); h = gca; fill([FRED.Time(end) fh([end end]) FRED.Time(end)],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,2) h1 = plot(FRED.Time((end-49):end),FRED.GDPDEF((end-49):end)); hold on h2 = plot(fh,Y(:,2)); title('GDP Deflator'); ylabel('Index (scaled)'); xlabel('Date'); h = gca; fill([FRED.Time(end) fh([end end]) FRED.Time(end)],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,3) h1 = plot(FRED.Time((end-49):end),FRED.COE((end-49):end)); hold on h2 = plot(fh,Y(:,3)); title('Paid Compensation of Employees'); ylabel('Billions of $ (scaled)'); xlabel('Date'); h = gca; fill([FRED.Time(end) fh([end end]) FRED.Time(end)],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,4) h1 = plot(FRED.Time((end-49):end),FRED.HOANBS((end-49):end)); hold on h2 = plot(fh,Y(:,4)); title('Nonfarm Business Sector Hours'); ylabel('Index (scaled)'); xlabel('Date'); h = gca; fill([FRED.Time(end) fh([end end]) FRED.Time(end)],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off
figure; subplot(2,2,1) h1 = plot(FRED.Time((end-49):end),FRED.FEDFUNDS((end-49):end)); hold on h2 = plot(fh,Y(:,5)); title('Federal Funds Rate'); ylabel('Percent'); xlabel('Date'); h = gca; fill([FRED.Time(end) fh([end end]) FRED.Time(end)],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,2) h1 = plot(FRED.Time((end-49):end),FRED.PCEC((end-49):end)); hold on h2 = plot(fh,Y(:,6)); title('Consumption Expenditures'); ylabel('Billions of $ (scaled)'); xlabel('Date'); h = gca; fill([FRED.Time(end) fh([end end]) FRED.Time(end)],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,3) h1 = plot(FRED.Time((end-49):end),FRED.GPDI((end-49):end)); hold on h2 = plot(fh,Y(:,7)); title('Gross Private Domestic Investment'); ylabel('Billions of $ (scaled)'); xlabel('Date'); h = gca; fill([FRED.Time(end) fh([end end]) FRED.Time(end)],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off
Считайте модель и данные в Прогнозе Безусловным Рядом Ответа из Модели VEC.
Загрузите Data_USEconVECModel
набор данных и предварительно обрабатывает данные.
load Data_USEconVECModel
FRED.GDP = 100*log(FRED.GDP);
FRED.GDPDEF = 100*log(FRED.GDPDEF);
FRED.COE = 100*log(FRED.COE);
FRED.HOANBS = 100*log(FRED.HOANBS);
FRED.PCEC = 100*log(FRED.PCEC);
FRED.GPDI = 100*log(FRED.GPDI);
Data_Recessions
набор данных содержит начало и окончание последовательных дат рецессий. Загрузите набор данных. Преобразуйте матрицу порядковых номеров даты к массиву datetime.
load Data_Recessions dtrec = datetime(Recessions,'ConvertFrom','datenum');
Создайте фиктивную переменную, которая идентифицирует периоды, в которые США были в рецессии или хуже. А именно, переменной должен быть 1
если FRED.Time
происходит во время рецессии и 0
в противном случае.
isin = @(x)(any(dtrec(:,1) <= x & x <= dtrec(:,2))); isrecession = double(arrayfun(isin,FRED.Time));
Создайте модель VEC(1) с помощью краткого синтаксиса. Примите, что соответствующий ранг коинтеграции равняется 4. Вы не должны задавать присутствие компонента регрессии при создании модели. Задайте имена переменных.
Mdl = vecm(7,4,1); Mdl.SeriesNames = FRED.Properties.VariableNames;
Оцените модель с помощью всех кроме прошлых трех лет данных. Задайте предиктор, идентифицирующий, было ли наблюдение измерено во время рецессии.
bfh = FRED.Time(end) - years(3);
estIdx = FRED.Time < bfh;
EstMdl = estimate(Mdl,FRED{estIdx,:},'X',isrecession(estIdx));
Предскажите путь ежеквартальных ответов три года в будущее.
Y0 = FRED{estIdx,:};
Y = forecast(EstMdl,12,Y0,'X',isrecession(~estIdx));
Y
12 7 матрица симулированных ответов. Строки соответствуют горизонту прогноза, и столбцы соответствуют переменным в EstMdl.SeriesNames
.
Постройте предсказанные ответы и последние 40 истинных ответов.
figure; subplot(2,2,1) h1 = plot(FRED.Time((end-39):end),FRED.GDP((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,1)); title('Gross Domestic Product'); ylabel('Index (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,2) h1 = plot(FRED.Time((end-39):end),FRED.GDPDEF((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,2)); title('GDP Deflator'); ylabel('Index (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,3) h1 = plot(FRED.Time((end-39):end),FRED.COE((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,3)); title('Paid Compensation of Employees'); ylabel('Billions of $ (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,4) h1 = plot(FRED.Time((end-39):end),FRED.HOANBS((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,4)); title('Nonfarm Business Sector Hours'); ylabel('Index (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off
figure; subplot(2,2,1) h1 = plot(FRED.Time((end-39):end),FRED.FEDFUNDS((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,5)); title('Federal Funds Rate'); ylabel('Percent'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,2) h1 = plot(FRED.Time((end-39):end),FRED.PCEC((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,6)); title('Consumption Expenditures'); ylabel('Billions of $ (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off subplot(2,2,3) h1 = plot(FRED.Time((end-39):end),FRED.GPDI((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,7)); title('Gross Private Domestic Investment'); ylabel('Billions of $ (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2],'True','Forecast','Location','Best') hold off
Анализируйте точность прогноза с помощью интервалов прогноза по трехлетнему горизонту. Этот пример следует из Прогноза Безусловный Ряд Ответа из Модели VEC.
Загрузите Data_USEconVECModel
набор данных и предварительно обрабатывает данные.
load Data_USEconVECModel
FRED.GDP = 100*log(FRED.GDP);
FRED.GDPDEF = 100*log(FRED.GDPDEF);
FRED.COE = 100*log(FRED.COE);
FRED.HOANBS = 100*log(FRED.HOANBS);
FRED.PCEC = 100*log(FRED.PCEC);
FRED.GPDI = 100*log(FRED.GPDI);
Оцените модель VEC(1). Зарезервируйте прошлые три года данных, чтобы оценить точность прогноза. Примите, что соответствующий ранг коинтеграции равняется 4 и H1, форма Йохансена подходит для модели.
bfh = FRED.Time(end) - years(3); estIdx = FRED.Time < bfh; Mdl = vecm(7,4,1); Mdl.SeriesNames = FRED.Properties.VariableNames; EstMdl = estimate(Mdl,FRED{estIdx,:});
Предскажите ответы из предполагаемой модели по трехлетнему горизонту. Задайте все наблюдения в выборке как предварительную выборку. Возвратите MSE прогнозов.
numperiods = 12; Y0 = FRED{estIdx,:}; [Y,YMSE] = forecast(EstMdl,numperiods,Y0);
Y
12 7 матрица предсказанных ответов. YMSE
12 1 вектор ячейки 7 7 матриц, соответствующих MSEs.
Извлеките основные диагональные элементы из матриц в каждой ячейке YMSE
. Примените квадратный корень из результата получить стандартные погрешности.
extractMSE = @(x)diag(x)';
MSE = cellfun(extractMSE,YMSE,'UniformOutput',false);
SE = sqrt(cell2mat(MSE));
Оцените аппроксимированные 95%-е интервалы прогноза для каждого ряда ответа.
YFI = zeros(numperiods,Mdl.NumSeries,2); YFI(:,:,1) = Y - 2*SE; YFI(:,:,2) = Y + 2*SE;
Постройте предсказанные ответы и последние 40 истинных ответов.
figure; subplot(2,2,1) h1 = plot(FRED.Time((end-39):end),FRED.GDP((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,1)); h3 = plot(FRED.Time(~estIdx),YFI(:,1,1),'k--'); plot(FRED.Time(~estIdx),YFI(:,1,2),'k--'); title('Gross Domestic Product'); ylabel('Index (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2 h3],'True','Forecast','95% Forecast interval',... 'Location','best'); hold off subplot(2,2,2) h1 = plot(FRED.Time((end-39):end),FRED.GDPDEF((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,2)); h3 = plot(FRED.Time(~estIdx),YFI(:,2,1),'k--'); plot(FRED.Time(~estIdx),YFI(:,2,2),'k--'); title('GDP Deflator'); ylabel('Index (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2 h3],'True','Forecast','95% Forecast interval',... 'Location','best'); hold off subplot(2,2,3) h1 = plot(FRED.Time((end-39):end),FRED.COE((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,3)); h3 = plot(FRED.Time(~estIdx),YFI(:,3,1),'k--'); plot(FRED.Time(~estIdx),YFI(:,3,2),'k--'); title('Paid Compensation of Employees'); ylabel('Billions of $ (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2 h3],'True','Forecast','95% Forecast interval',... 'Location','best'); hold off subplot(2,2,4) h1 = plot(FRED.Time((end-39):end),FRED.HOANBS((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,4)); h3 = plot(FRED.Time(~estIdx),YFI(:,4,1),'k--'); plot(FRED.Time(~estIdx),YFI(:,4,2),'k--'); title('Nonfarm Business Sector Hours'); ylabel('Index (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2 h3],'True','Forecast','95% Forecast interval',... 'Location','best'); hold off
figure; subplot(2,2,1) h1 = plot(FRED.Time((end-39):end),FRED.FEDFUNDS((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,5)); h3 = plot(FRED.Time(~estIdx),YFI(:,5,1),'k--'); plot(FRED.Time(~estIdx),YFI(:,5,2),'k--'); title('Federal Funds Rate'); ylabel('Percent'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2 h3],'True','Forecast','95% Forecast interval',... 'Location','best'); hold off subplot(2,2,2) h1 = plot(FRED.Time((end-39):end),FRED.PCEC((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,6)); h3 = plot(FRED.Time(~estIdx),YFI(:,6,1),'k--'); plot(FRED.Time(~estIdx),YFI(:,6,2),'k--'); title('Consumption Expenditures'); ylabel('Billions of $ (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2 h3],'True','Forecast','95% Forecast interval',... 'Location','best'); hold off subplot(2,2,3) h1 = plot(FRED.Time((end-39):end),FRED.GPDI((end-39):end)); hold on h2 = plot(FRED.Time(~estIdx),Y(:,7)); h3 = plot(FRED.Time(~estIdx),YFI(:,7,1),'k--'); plot(FRED.Time(~estIdx),YFI(:,7,2),'k--'); title('Gross Private Domestic Investment'); ylabel('Billions of $ (scaled)'); xlabel('Date'); h = gca; fill([bfh h.XLim([2 2]) bfh],h.YLim([1 1 2 2]),'k',... 'FaceAlpha',0.1,'EdgeColor','none'); legend([h1 h2 h3],'True','Forecast','95% Forecast interval',... 'Location','best'); hold off
numperiods
— Предскажите горизонтПредскажите горизонт или количество моментов времени в период прогноза, заданный как положительное целое число.
Типы данных: double
Y0
— Преддемонстрационные ответыПреддемонстрационные ответы, которые вводят начальные значения для прогнозов, заданных как numpreobs
- numseries
числовая матрица или numpreobs
- numseries
- numprepaths
числовой массив.
numpreobs
количество преддемонстрационных наблюдений. numseries
количество ряда ответа (Mdl.NumSeries
). numprepaths
количество преддемонстрационных путей к ответу.
Строки соответствуют преддемонстрационным наблюдениям, и последняя строка содержит последнее наблюдение. Y0
должен содержать, по крайней мере, Mdl.P
'Строки' . Если вы предоставляете больше строк, чем необходимый, forecast
использование только последний Mdl.P
наблюдения.
Столбцы должны соответствовать серийным именам ответа в Mdl.SeriesNames
.
Страницы соответствуют отдельным, независимым контурам.
Если вы не задаете YF
аргумент пары "имя-значение", затем forecast
инициализирует каждый предсказанный путь (страница) с помощью соответствующей страницы Y0
. Поэтому выходной аргумент Y
имеет numprepaths
страницы.
Если вы задаете YF
аргумент пары "имя-значение", затем forecast
принимает одни из этих мер.
Если Y0
матрица, затем forecast
инициализирует каждый путь к прогнозу (страница) в YF
использование Y0
. Поэтому все пути в выходном аргументе Y
выведите из общих начальных условий.
В противном случае, forecast
применяет Y0 (::
инициализировать путь к прогнозированию J
)j
y0
должен иметь, по крайней мере, numpaths
страницы и forecast
использование только первый numpaths
страницы.
Среди всех страниц наблюдения в конкретной строке происходят одновременно.
Типы данных: double
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'X',X,'YF',YF
использует матричный X
как данные о предикторе в компоненте регрессии и матричный YF
как частично известные будущие ответы для условного прогнозирования.'X'
— Предсказанные временные ряды предикторовПредсказанные временные ряды предикторов, чтобы включать в компонент регрессии модели, заданный как разделенная запятой пара, состоящая из 'X'
и числовая матрица, содержащая numpreds
столбцы.
numpreds
количество переменных предикторов (size(Mdl.Beta,2)
).
Строки соответствуют наблюдениям. Строка j
содержит j
- неродной вперед прогноз. X
должен иметь, по крайней мере, numperiods
'Строки' . Если вы предоставляете больше строк, чем необходимый, forecast
использование только самый ранний numperiods
наблюдения. Первая строка содержит самое раннее наблюдение.
Столбцы соответствуют отдельным переменным предикторам. Все переменные предикторы присутствуют в компоненте регрессии каждого уравнения ответа.
forecast
применяет X
к каждому пути (страница); то есть, X
представляет один путь наблюдаемых предикторов.
Чтобы обеспечить непротиворечивость модели в горизонт прогноза, это - хорошая практика, чтобы задать предсказанные предикторы когда Mdl
имеет компонент регрессии.
По умолчанию, forecast
исключает компонент регрессии, независимо от его присутствия в Mdl
.
Типы данных: double
'YF'
— Будущий многомерный ряд ответаБудущий многомерный ряд ответа для условного прогнозирования, заданного как разделенная запятой пара, состоящая из 'YF'
и числовая матрица или трехмерный массив, содержащий numseries
столбцы.
Строки соответствуют наблюдениям в горизонте прогноза, и первая строка является самым ранним наблюдением. А именно, строка j
в демонстрационном пути k
(YF (
) содержит ответы j
K
)j
периоды в будущее. YF
должен иметь, по крайней мере, numperiods
строки, чтобы покрыть горизонт прогноза. Если вы предоставляете больше строк, чем необходимый, forecast
использование только первый numperiods
'Строки' .
Столбцы соответствуют переменным отклика в Y0
.
Страницы соответствуют демонстрационным путям. А именно, путь k
(YF (::
) получает состояние или знание, ряда ответа, когда они развиваются из преддемонстрационного прошлого (K
)Y0
) в будущее.
Если YF
матрица, затем forecast
применяет YF
к каждому numpaths
выведите пути (см. Y0
).
В противном случае, YF
должен иметь, по крайней мере, numpaths
страницы. Если вы предоставляете больше страниц, чем необходимый, forecast
использование только первый numpaths
страницы.
Элементы YF
могут быть числовые скаляры или отсутствующие значения (обозначенный NaN
значения. forecast
числовые скаляры обработок как детерминированные будущие ответы, которые известны заранее, например, установленный политикой. forecast
ответы прогнозов для соответствующего NaN
условное выражение значений на известных значениях.
По умолчанию, YF
массив, состоявший из NaN
значения, указывающие на полное отсутствие знания будущего состояние всех ответов в горизонте прогноза. В этом случае, forecast
оценивает обычные прогнозы MMSE.
Для получения дополнительной информации см. Алгоритмы.
Пример: Считайте прогнозирование одного пути модели VEC состоявшим из четырех рядов ответа тремя периодами в будущее. Предположим, что у вас есть предварительные знания о некоторых будущих значениях ответов, и вы хотите предсказать неизвестное условное выражение ответов на своем знании. Задайте YF
как матрица, содержащая значения, которые вы знаете и используете NaN
для значений вы не знаете, но хотите предсказать. Например, 'YF',[NaN 2 5 NaN; NaN NaN 0.1 NaN; NaN NaN NaN NaN]
указывает, что вы не знаете о будущих значениях первого и четвертого ряда ответа; вы знаете значение в течение периода 1 во втором ряду ответа, но никаком другом значении; и вы знаете значения в течение периодов 1 и 2 в третьем ряду ответа, но не значении в течение периода 3.
Типы данных: double
NaN
значения в Y0
и X
укажите на отсутствующие значения. forecast
удаляет отсутствующие значения из данных мудрым списком удалением. Если Y0
трехмерный массив, затем forecast
выполняет эти шаги.
Горизонтально конкатенируйте страницы, чтобы сформировать numpreobs
- numpaths*numseries
матрица.
Удалите любую строку, которая содержит по крайней мере один NaN
из конкатенированных данных.
В случае недостающих наблюдений результаты получены из разнообразных путей Y0
может отличаться от результатов, полученных из каждого пути индивидуально.
Для отсутствующих значений в X
, forecast
удаляет соответствующую строку из каждой страницы YF
. После удаления строки из X
и YF
, если количество строк меньше numperiods
, затем forecast
выдает ошибку.
Y
— Прогнозы MMSE многомерного ряда ответаПрогнозы MMSE многомерного ряда ответа, возвращенного как numobs
- numseries
числовая матрица или numobs
- numseries
- numpaths
числовой массив. Y
представляет продолжение преддемонстрационных ответов в Y0
. Строки соответствуют наблюдениям, столбцы соответствуют переменным отклика, и страницы соответствуют демонстрационным путям. Строка j
j
- период вперед предсказан.
Если вы задаете будущие ответы для условного прогнозирования с помощью YF
аргумент пары "имя-значение", затем известные значения в YF
появитесь в тех же положениях в Y
. Однако Y
содержит предсказанные значения для недостающих наблюдений в YF
.
YMSE
— Матрицы MSE предсказанных ответовМатрицы MSE предсказанных ответов в Y
, возвращенный как numperiods
- 1 вектор ячейки numseries
- numseries
числовые матрицы. Ячейки YMSE
составьте временные ряды ковариационных матриц ошибки прогноза. Ячейка j
содержит j
- период вперед матрица MSE.
YMSE
идентично для всех путей.
Поскольку forecast
переменные предикторы обработок в X
как внешний и нестохастический, YMSE
отражает ошибочную ковариацию, сопоставленную с авторегрессивным компонентом входной модели Mdl
только.
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 VEC 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.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.