varm

Преобразуйте модель векторного исправления ошибок (VEC) в векторную модель (VAR) авторегрессии

Синтаксис

Описание

пример

VARMdl = varm(Mdl) преобразует модель VEC (p - 1) Mdl к его эквивалентному представлению модели VAR (p) VARMdl.

Примеры

свернуть все

Рассмотрите модель VEC для следующих семи макроэкономических рядов.

  • 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.

Преобразуйте предполагаемую модель VEC(1) в ее эквивалентное представление модели VAR (2).

VARMdl = varm(EstMdl)
VARMdl = 
  varm with properties:

     Description: "AR-Nonstationary 7-Dimensional VAR(2) Model"
     SeriesNames: "GDP"  "GDPDEF"  "COE"  ... and 4 more
       NumSeries: 7
               P: 2
        Constant: [14.1329 8.77841 -7.20359 ... and 4 more]'
              AR: {7×7 matrices} at lags [1 2]
           Trend: [7×1 vector of zeros]
            Beta: [7×0 matrix]
      Covariance: [7×7 matrix]

VARMdl varm объект модели.

Входные параметры

свернуть все

Модель VEC, заданная как vecm объект модели создается vecm или estimate. Mdl должен быть полностью задан.

Выходные аргументы

свернуть все

Эквивалентная модель VAR, возвращенная как varm объект модели.

Алгоритмы

Считайте m-D моделью VEC (p - 1) с помощью обозначения оператора задержки.

(1L)yt=c+dt+Πyt1+j=1p1Φj(1L)ytj+βxt+εt.

  • yt является m-by-1 вектор значений, соответствующих переменным отклика m во время t, где t = 1..., T.

  • L y t = y t – 1.

  • c является полной константой.

  • d является полным коэффициентом тренда времени.

  • Π m-by-m матрица удара с рангом r.

  • xt является k-by-1 вектор значений, соответствующих k внешние переменные предикторы.

  • β является m-by-k матрица коэффициентов регрессии.

  • εt является m-by-1 вектор случайных Гауссовых инноваций, каждого со средним значением 0 и коллективно m-by-m ковариационная матрица Σ. Для ts, εt и εs независимы.

  • Φj является m-by-m матрица коэффициентов короткого промежутка времени.

Эквивалентная модель VAR (p) в обозначении разностного уравнения

yt=c+dt+j=1pΓjytj+βxt+εt.

Γj является m-by-m матрица авторегрессивных коэффициентов.

Смотрите также

Объекты

Функции

Введенный в R2017b

Для просмотра документации необходимо авторизоваться на сайте