В этом примере показано, как соответствовать модели в пространстве состояний, которая имеет компонент регрессии уравнения наблюдения.
Предположим, что линейное соотношение между изменением в уровне безработицы и темпом роста номинального валового национального продукта (nGNP) представляет интерес. Предположим далее, что первым различием уровня безработицы является серия ARMA(1,1). Символически, и в форме пространства состояний, модель
где:
изменение в уровне безработицы во время t.
фиктивное состояние для MA (1) эффект.
наблюдаемое изменение в уровне безработицы, выкачиваемом темпом роста nGNP ().
серия Gaussian воздействий состояния, имеющих среднее значение 0 и стандартное отклонение 1.
серия Gaussian инноваций наблюдения, имеющих среднее значение 0 и стандартное отклонение .
Загрузите набор данных Нельсона-Плоссера, который содержит уровень безработицы и nGNP ряд, среди прочего.
load Data_NelsonPlosser
Предварительно обработайте данные путем взятия натурального логарифма nGNP ряда и первого различия каждого. Кроме того, удалите стартовый NaN
значения от каждого ряда.
isNaN = any(ismissing(DataTable),2); % Flag periods containing NaNs gnpn = DataTable.GNPN(~isNaN); u = DataTable.UR(~isNaN); T = size(gnpn,1); % Sample size Z = [ones(T-1,1) diff(log(gnpn))]; y = diff(u);
Этот ряд использования доходов в качестве примера без NaN
значения. Однако с помощью среды Фильтра Калмана, программное обеспечение может вместить ряд, содержащий отсутствующие значения.
Задайте содействующие матрицы. Используйте NaN
значения, чтобы указать на неизвестные параметры.
A = [NaN NaN; 0 0]; B = [1; 1]; C = [1 0]; D = NaN;
Задайте модель в пространстве состояний с помощью ssm
. С тех пор ARMA (1,1) процесс, и белый шум, укажите, что они - стационарные процессы.
StateType = [0; 0];
Mdl = ssm(A,B,C,D,'StateType',StateType);
Оцените параметры модели. Задайте компонент регрессии и его начальное значение для оптимизации с помощью 'Predictors'
и 'Beta0'
аргументы пары "имя-значение", соответственно. Ограничьте оценку ко всем положительным, вещественным числам, но позволяют всем другим параметрам быть неограниченными.
params0 = [0.3 0.2 0.1]; % Chosen arbitrarily EstMdl = estimate(Mdl,y,params0,'Predictors',Z,'Beta0',[0.1 0.1],... 'lb',[-Inf,-Inf,0,-Inf,-Inf]);
Method: Maximum likelihood (fmincon) Sample size: 61 Logarithmic likelihood: -99.7245 Akaike info criterion: 209.449 Bayesian info criterion: 220.003 | Coeff Std Err t Stat Prob ---------------------------------------------------------- c(1) | -0.34098 0.29608 -1.15164 0.24948 c(2) | 1.05003 0.41377 2.53771 0.01116 c(3) | 0.48592 0.36790 1.32079 0.18657 y <- z(1) | 1.36121 0.22338 6.09358 0 y <- z(2) | -24.46711 1.60018 -15.29024 0 | | Final State Std Dev t Stat Prob x(1) | 1.01264 0.44690 2.26592 0.02346 x(2) | 0.77718 0.58917 1.31912 0.18713
Таблица оценок и статистики выход к Командному окну. EstMdl
ssm
модель, и можно получить доступ к ее свойствам с помощью записи через точку.
estimate
| forecast
| simulate
| ssm