vecm

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

Синтаксис

Описание

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

Примеры

свернуть все

Рассмотрите модель VAR (2) 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

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 VAR (2) с помощью краткого синтаксиса. Задайте имена переменных.

Mdl = varm(7,2);
Mdl.SeriesNames = FRED.Properties.VariableNames;

Mdl varm 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 = 
  varm with properties:

     Description: "AR-Stationary 7-Dimensional VAR(2) Model"
     SeriesNames: "GDP"  "GDPDEF"  "COE"  ... and 4 more
       NumSeries: 7
               P: 2
        Constant: [15.835 9.91375 -14.0917 ... 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]

EstMdl предполагаемый varm объект модели. Это полностью задано, потому что все параметры знали значения.

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

VECMdl = vecm(EstMdl)
VECMdl = 
  vecm with properties:

             Description: "7-Dimensional Rank = 7 VEC(1) Model"
             SeriesNames: "GDP"  "GDPDEF"  "COE"  ... and 4 more
               NumSeries: 7
                    Rank: 7
                       P: 2
                Constant: [15.835 9.91375 -14.0917 ... and 4 more]'
              Adjustment: [7×7 matrix]
           Cointegration: [7×7 diagonal matrix]
                  Impact: [7×7 matrix]
   CointegrationConstant: [7×1 vector of NaNs]
      CointegrationTrend: [7×1 vector of NaNs]
                ShortRun: {7×7 matrix} at lag [1]
                   Trend: [7×1 vector of zeros]
                    Beta: [7×0 matrix]
              Covariance: [7×7 matrix]

VECMdl vecm объект модели.

Входные параметры

свернуть все

Модель VAR в виде varm объект модели создается varm или estimate. Mdl должен быть полностью задан.

Выходные аргументы

свернуть все

Эквивалентная модель VEC, возвращенная как vecm объект модели.

Алгоритмы

Рассмотрите m - размерная модель VAR (p) в обозначении разностного уравнения.

yt=c+dt+j=1pΓjytj+βxt+εt.

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

  • c является полной константой.

  • d является полным коэффициентом тренда времени.

  • 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.

  • Γj является m-by-m матрица авторегрессивных коэффициентов.

Эквивалентная модель VEC (p - 1) с помощью обозначения оператора задержки

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

  • L y t = y t – 1.

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

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

Смотрите также

Объекты

Функции

Введенный в R2017b

Для просмотра документации необходимо авторизоваться на сайте