summarize

Отобразите результаты оценки векторной модели (VAR) авторегрессии

Описание

пример

summarize(Mdl) отображает сводные данные модели VAR (p) Mdl.

  • Если Mdl предполагаемая модель VAR, возвращенная estimate, затем summarize оценка печати заканчивается к Командному окну MATLAB®. Отображение включает таблицу оценок параметра с соответствующими стандартными погрешностями, статистикой t и p - значения. Сводные данные также включают логарифмическую правдоподобность, Критерий информации о Akaike (AIC), и статистику подгонки модели Bayesian Information Criterion (BIC), а также предполагаемые инновации ковариационные и корреляционные матрицы.

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

пример

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

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

  • Если Mdl непредполагаемая модель VAR, затем results varm объект модели, который равен Mdl.

Примеры

свернуть все

Подбирайте модель VAR (4) к данным об уровне безработицы и индексу потребительских цен (CPI).

Загрузите Data_USEconModel набор данных.

load Data_USEconModel

Постройте два ряда на отдельных графиках.

figure;
plot(DataTable.Time,DataTable.CPIAUCSL);
title('Consumer Price Index');
ylabel('Index');
xlabel('Date');

figure;
plot(DataTable.Time,DataTable.UNRATE);
title('Unemployment Rate');
ylabel('Percent');
xlabel('Date');

Стабилизируйте CPI путем преобразования его в серию темпов роста. Синхронизируйте два ряда путем удаления первого наблюдения из ряда уровня безработицы.

rcpi = price2ret(DataTable.CPIAUCSL);
unrate = DataTable.UNRATE(2:end);

Создайте модель VAR (4) по умолчанию с помощью краткого синтаксиса.

Mdl = varm(2,4)
Mdl = 
  varm with properties:

     Description: "2-Dimensional VAR(4) Model"
     SeriesNames: "Y1"  "Y2" 
       NumSeries: 2
               P: 4
        Constant: [2×1 vector of NaNs]
              AR: {2×2 matrices of NaNs} at lags [1 2 3 ... and 1 more]
           Trend: [2×1 vector of zeros]
            Beta: [2×0 matrix]
      Covariance: [2×2 matrix of NaNs]

Mdl varm объект модели. Все свойства, содержащие NaN значения соответствуют параметрам, чтобы быть оцененными определенными данными.

Оцените модель с помощью целого набора данных.

EstMdl = estimate(Mdl,[rcpi unrate])
EstMdl = 
  varm with properties:

     Description: "AR-Stationary 2-Dimensional VAR(4) Model"
     SeriesNames: "Y1"  "Y2" 
       NumSeries: 2
               P: 4
        Constant: [0.00171639 0.316255]'
              AR: {2×2 matrices} at lags [1 2 3 ... and 1 more]
           Trend: [2×1 vector of zeros]
            Beta: [2×0 matrix]
      Covariance: [2×2 matrix]

EstMdl предполагаемый varm объект модели. Это полностью задано, потому что все параметры знали значения. Описание указывает, что авторегрессивный полином является стационарным.

Отобразите итоговую статистику от оценки.

summarize(EstMdl)
 
   AR-Stationary 2-Dimensional VAR(4) Model
 
    Effective Sample Size: 241
    Number of Estimated Parameters: 18
    LogLikelihood: 811.361
    AIC: -1586.72
    BIC: -1524
 
                      Value       StandardError    TStatistic      PValue  
                   ___________    _____________    __________    __________

    Constant(1)      0.0017164      0.0015988         1.0735        0.28303
    Constant(2)        0.31626       0.091961          3.439      0.0005838
    AR{1}(1,1)         0.30899       0.063356          4.877     1.0772e-06
    AR{1}(2,1)         -4.4834         3.6441        -1.2303        0.21857
    AR{1}(1,2)      -0.0031796      0.0011306        -2.8122       0.004921
    AR{1}(2,2)          1.3433       0.065032         20.656      8.546e-95
    AR{2}(1,1)         0.22433       0.069631         3.2217      0.0012741
    AR{2}(2,1)          7.1896          4.005         1.7951       0.072631
    AR{2}(1,2)       0.0012375      0.0018631         0.6642        0.50656
    AR{2}(2,2)        -0.26817        0.10716        -2.5025       0.012331
    AR{3}(1,1)         0.35333       0.068287         5.1742     2.2887e-07
    AR{3}(2,1)           1.487         3.9277        0.37858          0.705
    AR{3}(1,2)       0.0028594      0.0018621         1.5355        0.12465
    AR{3}(2,2)        -0.22709         0.1071        -2.1202       0.033986
    AR{4}(1,1)       -0.047563       0.069026       -0.68906        0.49079
    AR{4}(2,1)          8.6379         3.9702         2.1757       0.029579
    AR{4}(1,2)     -0.00096323      0.0011142       -0.86448        0.38733
    AR{4}(2,2)        0.076725       0.064088         1.1972        0.23123

 
   Innovations Covariance Matrix:
    0.0000   -0.0002
   -0.0002    0.1167

 
   Innovations Correlation Matrix:
    1.0000   -0.0925
   -0.0925    1.0000

Рассмотрите эти четыре модели VAR индекса потребительских цен (CPI) и уровня безработицы: VAR (0), VAR (1), VAR (4) и VAR (8). Используя исторические данные, оценка каждый, и затем сравнивают подгонки модели с помощью получившегося BIC.

Загрузите Data_USEconModel набор данных. Объявите переменные для индекса потребительских цен (CPI) и уровень безработицы (UNRATE) ряд. Удалите любые отсутствующие значения с начала ряда.

load Data_USEconModel
cpi = DataTable.CPIAUCSL;
unrate = DataTable.UNRATE;
idx = all(~isnan([cpi unrate]),2);
cpi = cpi(idx);
unrate = unrate(idx);

Стабилизируйте CPI путем преобразования его в серию темпов роста. Синхронизируйте два ряда путем удаления первого наблюдения из ряда уровня безработицы.

rcpi = price2ret(cpi);
unrate = unrate(2:end);

В цикле:

  • Создайте модель VAR с помощью краткого синтаксиса.

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

  • Сохраните результаты оценки.

numseries = 2;
p = [0 1 4 8];
estMdlResults = cell(numel(p),1); % Preallocation
Y0 = [rcpi(1:max(p)) unrate(1:max(p))];
Y = [rcpi((max(p) + 1):end) unrate((max(p) + 1):end)];

for j = 1:numel(p)
    Mdl = varm(numseries,p(j));
    EstMdl = estimate(Mdl,Y,'Y0',Y);
    estMdlResults{j} = summarize(EstMdl);
end

estMdlResults 4 1 массив ячеек массивов структур, содержащих результаты оценки каждой модели.

Извлеките BIC из каждого набора результатов.

BIC = cellfun(@(x)x.BIC,estMdlResults)
BIC = 4×1
103 ×

   -0.7153
   -1.3678
   -1.4378
   -1.3853

Модель, соответствующая самому низкому BIC, имеет лучшую подгонку среди рассмотренных моделей. Поэтому VAR (4) является моделью оптимальной подгонки.

Входные параметры

свернуть все

Модель VAR в виде varm объект модели возвращен estimate, varm, или varm (vecm функция.

Выходные аргументы

свернуть все

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

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

    Поле Описание
    DescriptionИтоговое описание модели (строка)
    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, упорядоченных по условию Y
    CorrelationПредполагаемая остаточная корреляционная матрица, ее размерности соответствуют размерностям Covariance

    summarize использование mvregress реализовывать многомерную нормальную оценку наибольшего правдоподобия. Для получения дополнительной информации об оценках и стандартных погрешностях, смотрите Оценку Многомерных Моделей Регрессии (Statistics and Machine Learning Toolbox).

  • Если Mdl непредполагаемая модель VAR, затем results varm объект модели, который равен Mdl.

Введенный в R2017a

Для просмотра документации необходимо авторизоваться на сайте