Создайте предшествующую Байесовую векторную авторегрессию (VAR) объект модели
создает Байесов VAR (p) объект модели PriorMdl
= bayesvarm(numseries
,numlags
)PriorMdl
, который задает размерность и предшествующие предположения для всех коэффициентов модели и инновационная ковариация Σ, где:
numseries
количество серийных переменных времени отклика.
p = numlags
порядок полинома AR.
Объединенное предшествующее распределение (Λ,Σ) является рассеянным.
задает объединенное предшествующее распределение PriorMdl
= bayesvarm(numseries
,numlags
,'ModelType
',modelType)modelType
для Λ и Σ. Для этого синтаксиса, modelType
может быть 'conjugate'
, 'semiconjugate'
рассеянный
, или 'normal'
. Например, 'ModelType','semiconjugate'
указывает, что полусопряженное уголовное прошлое для многомерной нормальной вероятности — а именно, vec (Λ) |Σ многомерен нормальный, Σ является обратный Уишарт, и Λ и Σ независимы.
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, для нерассеянных моделей, можно задать Миннесоту предшествующие опции регуляризации, чтобы упорядочить коэффициенты с помощью Миннесоты предшествующая структура параметра.PriorMdl
= bayesvarm(numseries
,numlags
,'ModelType
',modelType,Name,Value
)
Рассмотрите 3-D модель VAR (4) для инфляции США (INFL
), безработица (UNRATE
), и федеральные фонды (FEDFUNDS
) уровни.
\forall , серия независимых 3-D нормальных инноваций со средним значением 0 и отклонение .
Предположим что содействующие матрицы AR , константа модели , и инновационная ковариационная матрица случайные переменные, и их предшествующие распределения неизвестны. В этом случае используйте неинформативное рассеянное предшествующее: объединенное предшествующее распределение пропорционально .
Создайте рассеянную предшествующую модель для 3-D VAR (4) параметры модели, который является предшествующим типом модели по умолчанию.
numseries = 3; numlags = 4; PriorMdl = bayesvarm(numseries,numlags)
PriorMdl = diffusebvarm with properties: Description: "3-Dimensional VAR(4) Model" NumSeries: 3 P: 4 SeriesNames: ["Y1" "Y2" "Y3"] IncludeConstant: 1 IncludeTrend: 0 NumPredictors: 0 AR: {[3x3 double] [3x3 double] [3x3 double] [3x3 double]} Constant: [3x1 double] Trend: [3x0 double] Beta: [3x0 double] Covariance: [3x3 double]
PriorMdl
diffusevarm
Байесов объект модели VAR, представляющий предшествующее распределение содействующих матриц AR, постоянного вектора модели и инновационной ковариационной матрицы. bayesvarm
отображает сводные данные предшествующих распределений в командной строке.
AR
— Предшествующие средние значения содействующих матриц AR.
Constant
— Предшествующие средние значения постоянного вектора модели.
Trend
и Beta
— Предшествующие средние значения линейного тренда времени векторная и внешняя матрица коэффициента регрессии, соответственно. Поскольку значения являются пустыми массивами, соответствующие параметры не находятся в модели.
Covariance
— Предшествующее среднее значение инновационной ковариационной матрицы.
Если у вас есть данные, то можно оценить характеристики апостериорного распределения путем передачи PriorMdl
и данные к estimate
.
Полагайте, что 3-D модель VAR (4) в Значении по умолчанию Рассеивает Предшествующую Модель. Примите следующее:
. 13 3 матрица предшествующих содействующих средних значений ( предшествующая средняя матрица , предшествующая средняя матрица ..., и предшествующий вектор средних значений ). 13 13 матрица, представляющая предшествующую ковариационную матрицу среди коэффициента в рамках уравнения. 3х3 случайная инновационная ковариационная матрица.
. 3х3 матрица шкалы, и степени свободы инверсии распределение Уишарта.
Коэффициенты и инновационная ковариационная матрица зависят.
Предшествующие содействующие отклонения среди уравнений пропорциональны.
Эти предположения и вероятность данных подразумевают матричную нормальную инверсию Уишарт сопряженная модель.
Создайте матричную нормальную инверсию, Уишарт спрягает предшествующую модель для параметров модели VAR.
numseries = 3; numlags = 4; PriorMdl = bayesvarm(numseries,numlags,'ModelType','conjugate')
PriorMdl = conjugatebvarm with properties: Description: "3-Dimensional VAR(4) Model" NumSeries: 3 P: 4 SeriesNames: ["Y1" "Y2" "Y3"] IncludeConstant: 1 IncludeTrend: 0 NumPredictors: 0 Mu: [39x1 double] V: [13x13 double] Omega: [3x3 double] DoF: 13 AR: {[3x3 double] [3x3 double] [3x3 double] [3x3 double]} Constant: [3x1 double] Trend: [3x0 double] Beta: [3x0 double] Covariance: [3x3 double]
PriorMdl
conjugatebvarm
Байесов объект модели VAR, представляющий предшествующее распределение содействующей и инновационной ковариационной матрицы. bayesvarm
отображает сводные данные предшествующих распределений в командной строке; это возвращает предшествующую среднюю матрицу в векторизованной форме.
Модель содержит много допускающих оценку параметров. Достигнуть экономной модели, bayesvarm
применяет Миннесоту предшествующий метод регуляризации к коэффициентам AR, по умолчанию. Смотрите предшествующие средние значения по умолчанию (центры уменьшения) содействующих матриц AR.
AR1 = PriorMdl.AR{1}
AR1 = 3×3
0.5000 0 0
0 0.5000 0
0 0 0.5000
AR2 = PriorMdl.AR{2}
AR2 = 3×3
0 0 0
0 0 0
0 0 0
AR3 = PriorMdl.AR{3}
AR3 = 3×3
0 0 0
0 0 0
0 0 0
AR4 = PriorMdl.AR{4}
AR4 = 3×3
0 0 0
0 0 0
0 0 0
Каждый ряд является моделью AR (1) с коэффициентом AR 0.5
, априорно.
Плотность на уменьшении коэффициентов пропорциональна среди уравнений. Смотрите значения плотности по умолчанию путем отображения графика тепловой карты свойства V
из PriorMdl
, который содержит матрицу масштабированной плотности на уменьшении коэффициентов для одного уравнения (немасштабированное уменьшение = kron(PriorMdl.Covariance,PriorMdl.V)
). Не используйте итоговую строку и столбец, которые соответствуют константе модели.
% Create labels for the chart. numARCoeffMats = PriorMdl.NumSeries*PriorMdl.P; arcoeffnames = strings(numARCoeffMats,1); for r = numlags:-1:1 arcoeffnames(((r-1)*numseries+1):(numseries*r)) = ["\phi_{11,"+r+"}" "\phi_{12,"+r+"}" "\phi_{13,"+r+"}"]; end heatmap(arcoeffnames,arcoeffnames,PriorMdl.V(1:end-1,1:end-1));
Значения плотности уменьшаются с задержкой, которая предполагает (априорно), что средние значения соответствующих больше изолированных коэффициентов более плотно заблокированы вокруг их центра 0.
Отобразите плотность постоянного вектора модели.
PriorMdl.V(end,end)
ans = 10000
Центр постоянного вектора модели является 0, но имеет большое отклонение, которое позволяет процедуре оценки задерживать больше к данным, чем предшествующее для следующего среднего значения постоянного вектора.
Можно задать альтернативные значения после того, как вы создадите модель при помощи записи через точку. Например, увеличьте плотность всех коэффициентов на коэффициент 100
.
PriorMdl.V = 100*PriorMdl.V;
Полагайте, что 3-D модель VAR (4) в Значении по умолчанию Рассеивает Предшествующую Модель. Примите эти предшествующие распределения, как представлено в [1]:
. 39 1 вектор из предшествующих содействующих средних значений (модель имеет 39 отдельных коэффициентов), и 39 39 предшествующая содействующая ковариационная матрица.
Инновационная ковариация фиксированная матрица.
Предположим, что эконометрическая теория диктует это
Создайте нормальную сопряженную предшествующую модель для коэффициентов модели VAR. Задайте значение при помощи 'Sigma'
аргумент пары "имя-значение".
numseries = 3; numlags = 4; Sigma = [10e-5 0 10e-4; 0 0.1 -0.2; 10e-4 -0.2 1.6]; PriorMdl = bayesvarm(numseries,numlags,'ModelType','normal',... 'Sigma',Sigma)
PriorMdl = normalbvarm with properties: Description: "3-Dimensional VAR(4) Model" NumSeries: 3 P: 4 SeriesNames: ["Y1" "Y2" "Y3"] IncludeConstant: 1 IncludeTrend: 0 NumPredictors: 0 Mu: [39x1 double] V: [39x39 double] Sigma: [3x3 double] AR: {[3x3 double] [3x3 double] [3x3 double] [3x3 double]} Constant: [3x1 double] Trend: [3x0 double] Beta: [3x0 double] Covariance: [3x3 double]
PriorMdl
normalbvarm
Байесов объект модели VAR, представляющий предшествующее распределение коэффициентов. Поскольку фиксируется для normalbvarm
предшествующие модели, PriorMdl.Sigma
и PriorMdl.Covariance
равны.
PriorMdl.Sigma
ans = 3×3
0.0001 0 0.0010
0 0.1000 -0.2000
0.0010 -0.2000 1.6000
PriorMdl.Covariance
ans = 3×3
0.0001 0 0.0010
0 0.1000 -0.2000
0.0010 -0.2000 1.6000
Полагайте, что 3-D модель VAR (4) в Значении по умолчанию Рассеивает Предшествующую Модель. Примите следующее:
. 39 1 вектор из предшествующих содействующих средних значений (модель имеет 39 отдельных коэффициентов), и 39 39 предшествующая содействующая ковариационная матрица.
. 3х3 матрица шкалы, и степени свободы инверсии распределение Уишарта.
Коэффициенты и инновационная ковариационная матрица независимы.
Эти предположения и вероятность данных подразумевают нормального обратного Уишарта полусопряженная модель.
Модель содержит много допускающих оценку параметров. Достигнуть экономной модели, bayesvarm
позволяет вам упорядочить коэффициенты при помощи Миннесоты предшествующий метод регуляризации, вместо того, чтобы задать каждое предшествующее среднее значение и отклонение.
Создайте полусопряженную предшествующую модель нормального обратного Уишарта для параметров модели VAR. Задайте следующее:
Все ряды являются моделями AR (1), априорно, с коэффициентом AR 0.9. Установите 'Center'
аргумент пары "имя-значение" вектору 3 на 1, состоявшему из 0.9
.
Плотность вокруг сам отстает в 1
. Установите 'SelfLag'
аргумент пары "имя-значение" 1
.
Плотность вокруг перекрестных задержек в 0.5
. Установите 'CrossLag'
аргумент пары "имя-значение" 0.5
.
Все затухание значений плотности на коэффициент степени задержки придало квадратную форму. Установите 'Decay'
аргумент пары "имя-значение" 2
.
numseries = 3; numlags = 4; center = 0.9*ones(numseries,1); PriorMdl = bayesvarm(numseries,numlags,'ModelType','semiconjugate',... 'Center',center,'SelfLag',1,'CrossLag',0.5,'Decay',2)
PriorMdl = semiconjugatebvarm with properties: Description: "3-Dimensional VAR(4) Model" NumSeries: 3 P: 4 SeriesNames: ["Y1" "Y2" "Y3"] IncludeConstant: 1 IncludeTrend: 0 NumPredictors: 0 Mu: [39x1 double] V: [39x39 double] Omega: [3x3 double] DoF: 13 AR: {[3x3 double] [3x3 double] [3x3 double] [3x3 double]} Constant: [3x1 double] Trend: [3x0 double] Beta: [3x0 double] Covariance: [3x3 double]
PriorMdl
semiconjugatebvarm
Байесов объект модели VAR, представляющий предшествующее распределение содействующей и инновационной ковариационной матрицы. bayesvarm
отображает сводные данные предшествующих распределений в командной строке; это возвращает предшествующую среднюю матрицу в векторизованной форме.
Отобразите предшествующие средние значения содействующих матриц AR.
AR1 = PriorMdl.AR{1}
AR1 = 3×3
0.9000 0 0
0 0.9000 0
0 0 0.9000
AR2 = PriorMdl.AR{2}
AR2 = 3×3
0 0 0
0 0 0
0 0 0
AR3 = PriorMdl.AR{3}
AR3 = 3×3
0 0 0
0 0 0
0 0 0
AR4 = PriorMdl.AR{4}
AR4 = 3×3
0 0 0
0 0 0
0 0 0
Каждый ряд является моделью AR (1), априорно.
Свойство V
из PriorMdl
содержит матрицу плотности на уменьшении коэффициентов. Строки и столбцы V
соответствуйте элементам Mu
свойство PriorMdl
.
Элементы 1 - 3 соответствуют задержке 1 коэффициент AR в первом уравнении, упорядоченном переменной отклика, то есть, , , и .
Элементы 4 - 6 соответствуют задержке 2 коэффициента AR в первом уравнении.
Элементы 7 - 9 соответствуют задержке 3 коэффициента AR в первом уравнении.
Элементы 10 - 12 соответствуют задержке 4 коэффициента AR в первом уравнении.
Элементом 13 является константа модели в первом уравнении.
MATLAB® повторяет шаблон для каждого уравнения.
В этом примере плотность уменьшения является тем же самым для всех уравнений. Отобразите график тепловой карты свойства V
из PriorMdl
для значений плотности коэффициентов AR в первом уравнении.
% Create labels for the chart. numARCoeffMats = PriorMdl.NumSeries*PriorMdl.P; arcoeffnames = strings(numARCoeffMats,1); for r = numlags:-1:1 arcoeffnames(((r-1)*numseries+1):(numseries*r)) = ["\phi_{"+r+",11}" "\phi_{"+r+",12}" "\phi_{"+r+"13}"]; end heatmap(arcoeffnames,arcoeffnames,PriorMdl.V(1:numARCoeffMats,1:numARCoeffMats));
Значения плотности уменьшаются с задержкой, которая предполагает (априорно), что средние значения соответствующих больше изолированных коэффициентов более плотно заблокированы вокруг их центра 0. По умолчанию коэффициенты AR являются некоррелироваными.
Отобразите плотность постоянного вектора модели.
PriorMdl.V(numARCoeffMats + 1,numARCoeffMats + 1)
ans = 10000
Центр постоянного вектора модели является 0, но имеет большое отклонение, которое позволяет процедуре оценки задерживать больше к данным, чем предшествующее для следующего среднего значения постоянного вектора.
Можно задать альтернативные значения после того, как вы создадите модель при помощи записи через точку. Например, увеличьте плотность всех коэффициентов на коэффициент 100
.
PriorMdl.V = 100*PriorMdl.V;
numseries
— Количество временных рядов m
(значение по умолчанию) | положительное целое числоКоличество временных рядов m в виде положительного целого числа. numseries
задает размерность многомерной переменной отклика yt и инновации εt.
Типы данных: double
numlags
— Количество изолированных ответов p
(значение по умолчанию) | неотрицательное целое числоКоличество изолированных ответов p, чтобы включать в модель VAR в виде неотрицательного целого числа. bayesvarm
включает задержки 1 через numlags
.
Типы данных: double
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'IncludeTrend',true,'NumPredictors',3
задает линейный термин тренда и термин линейной регрессии для трех внешних переменных во всех уравнениях ответа.'ModelType'
— Соедините предшествующее распределение (Λ,Σ)'diffuse'
(значение по умолчанию) | 'conjugate'
| 'semiconjugate'
| 'normal'
Соедините предшествующее распределение (Λ,Σ) в виде разделенной запятой пары, состоящей из 'ModelType'
и значение в следующей таблице. В таблице:
λ = vec (Λ).
d = IncludeConstant
+ IncludeTrend
+ NumPredictors
.
Инверсия гиперпараметры Уишарта Ω и ν соответствуют аргументам пары "имя-значение" и выводят свойства Omega
модели и
DoF
, соответственно. Можно настроить их значения путем определения аргументов пары "имя-значение" или при помощи записи через точку после bayesvarm
возвращает PriorMdl
.
Значение | Описание |
---|---|
'conjugate' | Матричная нормальная инверсия Уишарт спрягает модель. Уголовное прошлое где Λ и Σ зависят. |
'semiconjugate' | Нормальный обратный Уишарт полусопряженная модель. Уголовное прошлое где Λ и Σ независимы. |
'diffuse' | Рассейте предшествующие распределения. Объединенная предшествующая PDF Опции регуляризации не применяются к рассеянному уголовному прошлому. |
'normal' | Нормальная сопряженная предшествующая модель. Предшествующее Σ известен и фиксируется, и это соответствует свойству |
Примечание
Многомерные нормальные гиперпараметры μ и V соответствуют Mu
и V
свойства PriorMdl
, соответственно. Миннесота предшествующие опции регуляризации
[1] позволяет вам задать μ и V для содействующего уменьшения и плотности полностью и легко. Можно также отобразить или настроить их значения непосредственно при помощи записи через точку после bayesvarm
возвращает PriorMdl
.
Предшествующий тип модели, который вы выбираете, зависит от ваших предположений о совместном распределении параметров. Ваш выбор может влиять на следующие оценки и выводы. Для получения дополнительной информации смотрите Реализацию Байесова Линейная регрессия.
Пример: 'ModelType','conjugate'
Типы данных: char |
string
'SeriesNames'
— Серийные имена ответаРяд ответа называет для отображения в виде разделенной запятой пары, состоящей из 'SeriesNames'
и длина вектор строки m или вектор ячейки из векторов символов. Значением по умолчанию является ["Y1" "Y2"... "Y
.m
"]
Пример: 'SeriesNames',["CPI" "Unemployment"]
Типы данных: string
| char
'IncludeConstant'
— Отметьте для включения постоянного c моделиtrue
(значение по умолчанию) | false
Отметьте для включения постоянного c модели в виде разделенной запятой пары, состоящей из 'IncludeConstant'
и значение в этой таблице.
Значение | Описание |
---|---|
false | Уравнения ответа не включают константу модели. |
true | Все уравнения ответа содержат константу модели. |
Пример: 'IncludeConstant',false
Типы данных: логический
'IncludeTrend'
— Отметьте для включения линейного термина тренда времени δfalse
(значение по умолчанию) | true
Отметьте для включения линейного термина тренда времени δ в виде разделенной запятой пары, состоящей из 'IncludeTrend'
и значение в этой таблице.
Значение | Описание |
---|---|
false | Уравнения ответа не включают линейный термин тренда времени. |
true | Все уравнения ответа содержат линейный термин тренда времени. |
Пример: 'IncludeTrend',true
Типы данных: логический
'NumPredictors'
— Количество внешних переменных предикторов в компоненте регрессии модели
(значение по умолчанию) | неотрицательное целое числоКоличество внешних переменных предикторов в компоненте регрессии модели в виде разделенной запятой пары, состоящей из 'NumPredictors'
и неотрицательное целое число. bayesvarm
включает все переменные предикторы симметрично в каждое уравнение ответа.
Пример: 'NumPredictors',3
'Description'
Описание моделиОписание модели в виде разделенной запятой пары, состоящей из строкового скаляра или вектора символов. Значение по умолчанию описывает параметрическую форму модели, например, "2-Dimensional VAR(3) Model"
.
Пример: 'Description',"Model 1"
Типы данных: string
| char
'Center'
— Центр уменьшения0.5*ones(numseries,1)
(значение по умолчанию) | числовой вектор Центр уменьшения для задержки 1 сам задержки или предшествующее ожидание по диагональным элементам Φ1 в виде разделенной запятой пары, состоящей из 'Center'
и numseries
- 1 числовой вектор. Центр (
предшествующее среднее значение .j
)
Каждым элементом может быть любое вещественное число, но типичные значения находятся в интервале [0,1]. Эта таблица описывает предшествующую модель отдельного ряда ответа для заданного значения.
Значение | Предшествующая модель |
---|---|
0
| Белый шумовой процесс |
В интервале (0 ,1 ) | Стационарный AR (1) |
1
| Случайный обход |
bayesvarm
устанавливает предшествующие средние значения следующих переменных к 0
:
Недиагональные элементы Φ1
Все элементы Φq, q> 1
Константы модели c
Линейные коэффициенты тренда времени δ
Внешние коэффициенты предиктора Β
Для получения дополнительной информации смотрите Предшествующую Миннесоту.
Пример: 'Center',0.01*ones(3,1)
Типы данных: double
'SelfLag'
— Плотность уменьшения на всех сам задержки Φ1
(значение по умолчанию) | положительный числовой скалярПлотность уменьшения на всех сам задержки Φ1 в виде разделенной запятой пары, состоящей из 'SelfLag'
и положительный числовой скаляр.
SelfLag
способствует предшествующим отклонениям всех коэффициентов самозадержки в модели (свойство V
из выходной модели PriorMdl
).
Совет
Относительно маленькие значения плотности указывают на твердое убеждение в предшествующих предположениях во время оценки (то есть, относительно маленькие значения плотно блокируют сам задержки вокруг их предшествующего среднего значения). Относительно большие значения помещают больше веса в информацию в данных во время оценки.
Для получения дополнительной информации смотрите Предшествующую Миннесоту.
Пример: 'SelfLag',0.5
Типы данных: double
'CrossLag'
— Плотность на всех перекрестных переменных коэффициентах задержки Φ1
(значение по умолчанию) | положительный числовой скалярПлотность на всех перекрестных переменных коэффициентах задержки Φ1 в виде разделенной запятой пары, состоящей из 'CrossLag'
и положительный числовой скаляр. Для сопряженных предшествующих моделей, bayesvarm
наборы 'CrossLag'
к значению SelfLag
аргумент пары "имя-значение".
CrossLag
способствует предшествующим отклонениям всех перекрестных переменных коэффициентов задержки в модели (свойство V
из выходной модели PriorMdl
).
Совет
Относительно маленькие значения плотности указывают на твердое убеждение в предшествующих предположениях во время оценки (то есть, относительно маленькие значения плотно блокируют перекрестные задержки вокруг своего предшествующего среднего значения). Относительно большие значения помещают больше веса в информацию в данных во время оценки.
Для получения дополнительной информации смотрите Предшествующую Миннесоту.
Пример: 'CrossLag',0.05
Типы данных: double
'Decay'
— Скорость предшествующего затухания отклонения
(значение по умолчанию) | положительный числовой скалярСкорость предшествующего отклонения затухает с увеличивающейся задержкой в виде разделенной запятой пары, состоящей из 'Decay'
и положительный числовой скаляр.
Decay
способствует предшествующему отклонению всех содействующих матриц задержки, больше, чем задержка 1 (свойство V
из выходной модели PriorMdl
).
Совет
Относительно большие значения заставляют содействующие отклонения задержки затухать более быстро, который плотно блокирует коэффициенты задержки высшего порядка к их предшествующим средним значениям.
Пример: 'Decay',2
Типы данных: double
'Scale'
— Отклонения переменной откликаones(numseries,1)
(значение по умолчанию) | положительный числовой векторОтклонения переменной отклика для перекрестной переменной содействующей плотности задержки CrossLag
В виде разделенной запятой пары, состоящей из 'Scale'
и numseries
- 1 положительный числовой вектор. Элементы соответствуют переменным отклика. Для сопряженных предшествующих моделей, bayesvarm
игнорирует Scale
.
Scale
способствует предшествующим отклонениям всех перекрестных переменных коэффициентов задержки в модели (свойство V
из выходной модели PriorMdl
), но непосредственно не способствует инновационной ковариационной матрице, сохраненной в свойстве Sigma
.
Совет
Задайте 'Scale'
когда шкалы переменной отклика являются несбалансированными.
Пример: 'Scale',[2 1]
Типы данных: double
'VarianceX'
— Предшествующее отклонение внешних коэффициентов1e4
(значение по умолчанию) | положительный числовой скалярПредшествующее отклонение внешних коэффициентов в виде разделенной запятой пары, состоящей из 'VarianceX'
и положительный числовой скаляр. VarianceX
устанавливает предшествующие отклонения всех внешних переменных, включая постоянный c модели, линейный термин тренда времени δ и внешние коэффициенты предиктора Β.
VarianceX
способствует значению предшествующего содействующего отклонения (свойство V
из выходной модели PriorMdl
).
Совет
Относительно маленькие значения плотности указывают на твердое убеждение в предшествующих предположениях во время оценки (то есть, относительно маленькие значения плотно блокируют коэффициенты внешних переменных к их предшествующим средним значениям). Относительно большие значения помещают больше веса в информацию в данных во время оценки.
Пример: 'VarianceX',100
Типы данных: double
'Sigma'
— Фиксированная инновационная ковариационная матрица для нормальной предшествующей моделиФиксированная инновационная ковариационная матрица для нормальной предшествующей модели в виде разделенной запятой пары, состоящей из 'Sigma'
и numseries
- numseries
положительная определенная числовая матрица.
Если вы задаете 'ModelType','normal'
, необходимо задать 'Sigma'
. Для других предшествующих моделей Σ является случайной переменной, таким образом, 'Sigma'
не применяется.
Пример: 'Sigma',eye(2)
Типы данных: double
'Omega'
— Инверсия матрица шкалы Уишартаdiag(Scale)
(значение по умолчанию) | положительная определенная числовая матрицаИнверсия матрица шкалы Уишарта в виде разделенной запятой пары, состоящей из 'Omega'
и numseries
- numseries
положительная определенная числовая матрица.
Пример: 'Omega',eye(numseries)
Типы данных: double
'DoF'
— Инверсия степени свободы Уишартаnumseries + 10
(значение по умолчанию) | положительный числовой скалярИнверсия степени свободы Уишарта в виде разделенной запятой пары, состоящей из 'DoF'
и положительный числовой скаляр.
Для соответствующего распределения задайте значение, которое больше numseries – 1
. Для распределения с конечным средним значением задайте значение, которое больше numseries + 1
.
Пример: 'DoF',8
Типы данных: double
PriorMdl
— Байесова модель VAR, хранящая предшествующие предположения моделиconjugatebvarm
объект модели | semiconjugatebvarm
объект модели | diffusebvarm
объект модели | normalbvarm
объект моделиБайесова модель VAR, хранящая предшествующие предположения модели, возвращенные как один из объектов модели, перечислена в этой таблице.
Значение ModelType | Возвращенный байесов объект модели VAR |
---|---|
'conjugate' | conjugatebvarm |
'semiconjugate' | semiconjugatebvarm |
'diffuse' | diffusebvarm |
'normal' | normalbvarm |
PriorMdl
задает объединенное предшествующее распределение и характеристики модели VAR только. Объект модели является шаблоном, предназначенным для дальнейшего использования. Чтобы включить данные в модель для анализа апостериорного распределения, передайте объект модели и данные к соответствующей объектной функции, например, estimate
или simulate
.
Bayesian VAR model обрабатывает все коэффициенты и инновационную ковариационную матрицу как случайные переменные в m - размерная, стационарная модель VARX(p). Модель имеет одну из трех форм, описанных в этой таблице.
Модель | Уравнение |
---|---|
VAR уменьшаемой формы (p) в обозначении разностного уравнения |
|
Многомерная регрессия |
|
Матричная регрессия |
|
В течение каждого раза t = 1..., T:
yt является m - размерный наблюдаемый вектор отклика, где m = numseries
.
Φ1, …, Φp является m-by-m содействующие матрицы AR задержек 1 через p, где p = numlags
.
c является m-by-1 вектор из констант модели если IncludeConstant
true
.
δ является m-by-1 вектор из линейных коэффициентов тренда времени если IncludeTrend
true
.
Β m-by-r матрица коэффициентов регрессии r-by-1 вектор из наблюдаемых внешних предикторов x t, где r = NumPredictors
. Все переменные предикторы появляются в каждом уравнении.
который является 1 на (mp + r + 2) вектор, и Z t является m-by-m матрица диагонали блока (mp + r + 2)
где 0z является 1 на (mp + r + 2) нулевой вектор.
, который является (mp + r + 2)-by-m случайная матрица коэффициентов и m (mp + r + 2)-by-1 векторный λ = vec (Λ).
εt является m-by-1 вектор из случайных, последовательно некоррелированых, многомерных нормальных инноваций с нулевым вектором для среднего значения и m-by-m матрица Σ для ковариации. Это предположение подразумевает, что вероятность данных
где f является m - размерная многомерная нормальная плотность со средним z t Λ и ковариация Σ, оцененный в y t.
Прежде, чем рассмотреть данные, вы налагаете предположение joint prior distribution на (Λ,Σ) (см. ModelType
аргумент пары "имя-значение"). bayesvarm
позволяет вам настроить гиперпараметры при помощи Миннесоты предшествующие предположения и структура параметра [1]; структура упорядочивает коэффициенты. В Байесовом анализе распределение параметров обновляется с информацией о параметрах, полученных из вероятности данных. Результатом является joint posterior distribution (Λ,Σ).
Миннесота, предшествующая, введенная в [1], является структурой гиперпараметра для объединенного предшествующего распределения (Λ,Σ), раньше получал экономную модель путем упорядочивания эндогенных содействующих матриц модели Bayesian VAR (p). Миннесотская регуляризация рассматривает настраивающийся параметр для center of shrinkage и несколько настраивающихся параметров для tightness of shrinkage.
Центр уменьшения задан предшествующим средним значением коэффициентов (см. 'Center'
аргумент пары "имя-значение"). Миннесотский метод регуляризации устанавливает предшествующее среднее значение всех коэффициентов к 0 кроме задержки 1 сам задержки (диагональные элементы матрицы коэффициентов AR Φ1). Предшествующее среднее значение каждой задержки 1 сам задержка является вещественным числом, обычно в интервале [0,1], где (априорная) серия j ответа является одним из следующего:
Белый шумовой процесс, если предшествующий средний j 0
Модель AR (1), если предшествующий средний j находится в интервале (0,1)
Случайный обход, если предшествующий средний j равняется 1
Например, предположите numseries
2
, numlags
2
, NumPredictors
1
, и все другие опции модели имеют значения по умолчанию. Если вы задаете 'Center',0.01*ones(2,1)
, векторизованное предшествующее среднее значение Λ |Σ
где ϕ q, j: строка j Φq. MATLAB® хранит μ в Mu
свойство PriorMdl
. Можно настроить Mu
при помощи записи через точку.
Плотность уменьшения задана предшествующим отклонением коэффициентов ϕ r, j k. Для всех предшествующих моделей кроме сопряженного,
где:
v 0 является плотностью на предшествующих средних значениях всех сам задержки Φ1 (SelfLag
).
d является скоростью затухания плотности (Decay
).
плотность на предшествующих средних значениях всех перекрестных переменных коэффициентов задержки Φ1 (CrossLag
).
предшествующее отклонение ответа (элемент j Scale
).
Для сопряженных предшествующих моделей,
Поскольку MATLAB не настраивает входные данные для переменных шкал, лучшая практика состоит в том, чтобы настроить весь ряд, чтобы иметь подобную величину. Следовательно, шкалы коэффициентов подобны.
По умолчанию, bayesvarm
создает модели Bayesian VAR при помощи Миннесоты предшествующие предположения и структура параметра [1]. После того, как вы создадите модель, можно смотреть эффект содействующего уменьшения путем вызова summarize(PriorMdl)
. Можно изменить предшествующее среднее значение и отклонение установкой PriorMdl.Mu
и PriorMdl.V
, соответственно.
[1] Литтермен, Роберт Б., "Предсказывающий с Байесовыми Векторными Авторегрессиями: Пять Лет опыта". Журнал Бизнес-и Экономической статистики 4, № 1 (январь 1986): 25–38. https://doi.org/10.2307/1391384.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.