summarize

Отобразите результаты оценки модели векторного исправления ошибок (VEC)

Описание

пример

summarize(Mdl) отображает сводные данные модели VEC (p - 1) Mdl.

  • Если Mdl предполагаемая модель VEC, возвращенная estimate, затем summarize оценка печати заканчивается к Командному окну MATLAB®. Отображение включает сводные данные оценки и таблицу оценок параметра с соответствующими стандартными погрешностями, статистикой t и p - значения. Сводные данные оценки включают подходящую статистику, такую как Критерий информации о Akaike (AIC) и предполагаемые инновации ковариационные и корреляционные матрицы.

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

пример

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

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

  • Если Mdl непредполагаемая модель VEC, затем results vecm объект модели, который равен Mdl.

Примеры

свернуть все

Рассмотрите модель VEC для следующих семи макроэкономических рядов, и затем подбирайте модель к данным.

  • 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 with properties:

             Description: "7-Dimensional Rank = 4 VEC(1) Model with Linear Time Trend"
             SeriesNames: "GDP"  "GDPDEF"  "COE"  ... and 4 more
               NumSeries: 7
                    Rank: 4
                       P: 2
                Constant: [7×1 vector of NaNs]
              Adjustment: [7×4 matrix of NaNs]
           Cointegration: [7×4 matrix of NaNs]
                  Impact: [7×7 matrix of NaNs]
   CointegrationConstant: [4×1 vector of NaNs]
      CointegrationTrend: [4×1 vector of NaNs]
                ShortRun: {7×7 matrix of NaNs} at lag [1]
                   Trend: [7×1 vector of NaNs]
                    Beta: [7×0 matrix]
              Covariance: [7×7 matrix of NaNs]

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.

Отобразите краткое изложение от оценки.

results = summarize(EstMdl)
results = struct with fields:
               Description: "7-Dimensional Rank = 4 VEC(1) Model"
                     Model: "H1"
                SampleSize: 238
    NumEstimatedParameters: 112
             LogLikelihood: -1.4939e+03
                       AIC: 3.2118e+03
                       BIC: 3.6007e+03
                     Table: [133x4 table]
                Covariance: [7x7 double]
               Correlation: [7x7 double]

Table поле results таблица оценок параметра и соответствующей статистики.

Считайте модель и данные в Оценке Моделью VEC и этими четырьмя альтернативными моделями VEC: VEC (0), VEC (1), VEC (3) и VEC (7). Используя исторические данные, оценка каждая из этих четырех моделей, и затем сравнивают подгонки модели с помощью получившегося Байесового информационного критерия (BIC).

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);

В цикле:

  • Создайте модель VEC с помощью краткого синтаксиса.

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

  • Сохраните результаты оценки.

numlags = [0 1 3 7];
p = numlags + 1;
Y0 = FRED{1:max(p),:};
Y = FRED{((max(p) + 1):end),:};

for j = 1:numel(p)
    Mdl = vecm(7,4,numlags(j));
    EstMdl = estimate(Mdl,Y,'Y0',Y);
    results(j) = summarize(EstMdl);
end

results 4 1 массив структур, содержащий результаты оценки каждой модели.

Извлеките BIC из каждого набора результатов.

BIC = [results.BIC]
BIC = 1×4
103 ×

    5.3948    5.4372    5.8254    6.5536

Модель, соответствующая самому низкому BIC, имеет лучшую подгонку среди рассмотренных моделей. Поэтому модель VEC(0) является моделью оптимальной подгонки.

Входные параметры

свернуть все

Модель VEC, заданная как vecm объект модели возвращен estimate или vecm.

Выходные аргументы

свернуть все

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

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

    Поле Описание
    DescriptionИтоговое описание модели (строка)
    ModelМодель Йохансена детерминированных условий ("H2", "H1*", "H1"HH) [1]
    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, упорядочена столбцами Y
    CorrelationПредполагаемая остаточная корреляционная матрица, размерности которой соответствуют размерностям Covariance

  • Если Mdl непредполагаемая модель VEC, затем results vecm объект модели, который равен Mdl.

Ссылки

[1] Йохансен, S. Основанный на вероятности вывод в векторных авторегрессивных моделях Cointegrated. Оксфорд: Издательство Оксфордского университета, 1995.

Смотрите также

Объекты

Функции

Введенный в R2017b

Для просмотра документации необходимо авторизоваться на сайте