Симуляция Монте-Карло модели векторного исправления ошибок (VEC)
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, Y
= simulate(Mdl
,numobs
,Name,Value
)'NumPaths',1000,'X',X
задает симуляцию 1 000 путей и X
как внешние данные о предикторе для компонента регрессии.
simulate
выполняет условную симуляцию с помощью этого процесса во всех страницах k
= 1..., numpaths
и в течение каждого раза t
= 1..., numobs
.
simulate
выводит (или обратные фильтры) инновации E (
от известных будущих ответов t
K
)YF (
. Для t
K
)E (
, t
K
)simulate
подражает шаблону NaN
значения, который появляется в YF (
.t
K
)
Для недостающих элементов E (
, t
K
)simulate
выполняет эти шаги.
Чертите Z1
, случайное, стандартное условное выражение воздействий Распределения Гаусса на известных элементах E (
.t
K
)
Масштабируйте Z1
нижним треугольным Фактором Холесского условной ковариационной матрицы. Таким образом, Z2
= L*Z1
, где L
= chol(C,'lower')
и C
ковариация условного Распределения Гаусса.
Припишите Z2
вместо соответствующих отсутствующих значений в E (
.t
K
)
Для отсутствующих значений в YF (
, t
K
)simulate
пропускает соответствующие случайные инновации через модель Mdl
.
simulate
использование этот процесс, чтобы определить источник времени t 0 из моделей, которые включают линейные тренды времени.
Если вы не задаете Y0
, затем t 0 = 0.
В противном случае, simulate
наборы t 0 к size(Y0,1)
– Mdl.P
. 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 simulate
явным образом использует первый Mdl.P
преддемонстрационные ответы в Y0
инициализировать модель, общее количество наблюдений в Y0
(исключая любые 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.