Загрузите и обработайте данные

Загрузите исторические, NBER-заданные даты начала и конца рецессии.

load Data_Recessions

Recessions переменная в рабочей области 33 2 матрица последовательных чисел даты. Строки Recessions соответствуйте последовательным периодам рецессии, и столбцы 1 и 2 содержат даты начала и конца, соответственно. Для получения дополнительной информации введите Description в командной строке.

Поскольку MATLAB® datetime массивы позволяют вам работать с данными о дате эффективно, преобразовать Recessions к datetime массив. Задайте формат даты yyyy-MM-dd. Визуально сравните типы данных первых нескольких периодов и последних нескольких периодов.

NBERRec = datetime(Recessions,'ConvertFrom',"datenum",...
    "Format","yyyy-MM-dd");
disptbl = table(Recessions,NBERRec);
head(disptbl,3)

ans=3×2 table
           Recessions                  NBERRec        
    ________________________    ______________________

    6.7842e+05    6.7897e+05    1857-06-15  1858-12-15
    6.7964e+05    6.7988e+05    1860-10-15  1861-06-15
    6.8128e+05    6.8226e+05    1865-04-15  1867-12-15

tail(disptbl,3)

ans=3×2 table
           Recessions                  NBERRec        
    ________________________    ______________________

    7.2703e+05    7.2727e+05    1990-07-15  1991-03-15
    7.3092e+05    7.3117e+05    2001-03-15  2001-11-15
    7.3339e+05    7.3394e+05    2007-12-15  2009-06-15

Создайте массив посещаемых состояний

Примите, что период выборки начинается на NBERRec(1,1)= 1857-06-15 и концы на 2019-05-03. Создайте массив datetime всех последовательных четвертей в интервале 1857-06-15 хотя 2019-05-03.

timeline = NBERRec(1,1):calquarters(1):datetime("2019-05-03");
T = numel(timeline); % Sample size

Идентифицируйте, который четверти происходят во время рецессии.

isrecession = @(x)any(isbetween(x,NBERRec(:,1),NBERRec(:,2)));
idxrecession = arrayfun(isrecession,timeline);

Создайте расписание MATLAB®, содержащее переменную, которая идентифицирует экономическое состояние каждой четверти в период выборки. Отобразите первые несколько наблюдений и последние несколько наблюдений в расписании.

EconState = repmat("Expansion",T,1); % Preallocation
EconState(idxrecession) = "Recession";

Tbl = timetable(EconState,'RowTimes',timeline);
head(Tbl,3)

ans=3×1 timetable
       Time        EconState 
    __________    ___________

    1857-06-15    "Recession"
    1857-09-15    "Recession"
    1857-12-15    "Recession"

tail(Tbl,3)

ans=3×1 timetable
       Time        EconState 
    __________    ___________

    2018-09-15    "Expansion"
    2018-12-15    "Expansion"
    2019-03-15    "Expansion"

Tbl набор данных наблюдаемых, ежеквартальных экономических состояний, от которых могут считаться переходы.

Считайте изменения состояния

Рассмотрите создание матрицы 2 на 2, содержащей количество:

Строка $\mathit{j}$ и столбец $\mathit{j}$ из матрицы соответствуют тому же экономическому состоянию и элементу $\left(\mathit{j},\mathit{k}\right)$ содержит количество переходов от состояния $\mathit{j}$ утверждать $\mathit{k}$.

Во-первых, присвойте индексы членам пространства состояний.

[idxstate,states] = grp2idx(Tbl.EconState);
states

states = 2x1 cell
    {'Recession'}
    {'Expansion'}

numstates = numel(states);
P = zeros(numstates); % Preallocate transition matrix

Индексы состояния idxstate соответствуйте состояниям (строки и столбцы) матрицы перехода и states задает индексы. P(1,1) количество самопереходов рецессий, P(1,2) количество переходов от рецессии до расширения, и так далее. Поэтому считать типы перехода в данных эффективно, для каждого перехода $\mathit{t}$ к $\mathit{t}+1$, соответствуйте наблюдаемому переходу путем индексации в матрицу перехода, использующую индексы состояния время от времени $\mathit{t}$ (строка) и $\mathit{t}+1$ (столбец).

for t = 1:(T - 1)
    P(idxstate(t),idxstate(t+1)) = P(idxstate(t),idxstate(t+1)) + 1;
end

array2table(P,'VariableNames',states,'RowNames',states)

ans=2×2 table
                 Recession    Expansion
                 _________    _________

    Recession       171           33   
    Expansion        32          411   

P матрица наблюдаемых переходов. P(1,2)= 33 средние значения, что экономика США перешла от рецессии до расширения 33 времена между 15-Jun-1857 и 03-May-2019.

Создайте дискретную цепь Маркова

Создайте модель дискретной цепи Маркова, охарактеризованную матрицей перехода P.

mc = dtmc(P,'StateNames',states);
array2table(mc.P,'VariableNames',states,'RowNames',states)

ans=2×2 table
                 Recession    Expansion
                 _________    _________

    Recession     0.83824      0.16176 
    Expansion    0.072235      0.92777 

mc dtmc объект. dtmc нормирует P создать правильно-стохастическую матрицу перехода mc.P (каждая строка суммирует к 1). Элемент mc.P(1,2)= 0.1618 средние значения, что эмпирическая вероятность перехода к расширению во время $\mathit{t}$ + 1, учитывая, что экономика США находится в рецессии во время $\mathit{t}$, 0.1618.

Постройте ориентированного графа Цепи Маркова.

graphplot(mc,'LabelEdges',true)

Цепь Маркова предполагает, что текущее экономическое состояние имеет тенденцию сохраняться от четверти до четверти.