В этом примере показано, как задать и оценить модель регрессии с ошибками ARMA приложение Econometric Modeler. Набор данных, который хранится в Data_USEconModel.mat
, содержит частные потребительские расходы США, измеренные ежеквартально, среди другого ряда.
Рассмотрите моделирование частных потребительских расходов США (PCEC
, в $ миллиарды) как линейная функция эффективной ставки по федеральным фондам (FEDFUNDS
), уровень безработицы (UNRATE
), и действительный валовой внутренний продукт (GDP
, в $ миллиарды относительно года 2000).
В командной строке загрузите Data_USEconModel.mat
набор данных.
load Data_USEconModel
Преобразуйте федеральные фонды и показатели безработицы от процентов до десятичных чисел.
DataTable.UNRATE = 0.01*DataTable.UNRATE; DataTable.FEDFUNDS = 0.01*DataTable.FEDFUNDS;
Преобразуйте номинальный GDP в действительный GDP путем деления всех значений на дефлятор GDP (GDPDEF
) и масштабирование результата 100. Создайте столбец в DataTable
для действительной серии GDP.
DataTable.RealGDP = 100*DataTable.GDP./DataTable.GDPDEF;
В командной строке откройте приложение Econometric Modeler.
econometricModeler
В качестве альтернативы откройте приложение из галереи Apps (см. Econometric Modeler).
Импортируйте DataTable
в приложение:
На вкладке Econometric Modeler, в разделе Import, нажатии кнопки.
В диалоговом окне Import Data, в столбце Import?, устанавливают флажок для DataTable
переменная.
Нажмите Import.
Все переменные временных рядов в DataTable
появитесь в Data Browser, и график временных рядов ряда появляется в окне рисунка Time Series Plot(COE) .
Постройте PCEC
, RealGDP
, FEDFUNDS
, и UNRATE
ряд на отдельных графиках.
В Data Browser дважды кликните PCEC
.
Повторите шаг 1 для RealGDP
, FEDFUNDS
, и UNRATE
.
На правой панели перетащите окно рисунка Time Series Plot(PCEC) к верхней части так, чтобы это заняло первые два квадранта.
Перетащите окно рисунка Time Series Plot(RealGDP) к первому квадранту.
Перетащите окно рисунка Time Series Plot(UNRATE) к третьему квадранту.
PCEC
и RealGDP
ряды, кажется, имеют экспоненциальный тренд. UNRATE
и FEDFUNDS
ряды, кажется, имеют стохастический тренд.
Щелкните правой кнопкой по вкладке для любого окна рисунка, затем выберите Close All , чтобы закрыть все окна рисунка.
Проверяйте, коллинеарны ли ряды путем выполнения диагностики коллинеарности Белсли.
В Data Browser выберите PCEC
. Затем нажмите Ctrl и нажатие кнопки, чтобы выбрать RealGDP
, FEDFUNDS
, и UNRATE
.
На вкладке Econometric Modeler, в разделе Tests, нажимают New Test> Belsley Collinearity Diagnostics.
Результаты диагностики коллинеарности Белсли появляются в документе Collinearity(FEDFUNDS).
Все индексы условия ниже допуска индекса условия по умолчанию, который равняется 30. Временные ряды, кажется, не коллинеарны.
Задайте линейную модель в который PCEC
ответ и RealGDP
, FEDFUNDS
, и UNRATE
предикторы.
В Data Browser выберите PCEC
.
Кликните по вкладке Econometric Modeler. Затем в разделе Models кликните по стреле, чтобы отобразить галерею моделей.
В галерее моделей, в разделе Regression Models, нажимают MLR.
В диалоговом окне MLR Model Parameters, в разделе Predictors, устанавливают флажок Include? для FEDFUNDS
, RealGDP
, и UNRATE
временные ряды.
Нажмите Estimate.
Переменная MLR_PCEC
модели появляется в разделе Models Data Browser, и его сводные данные оценки появляются в документе Model Summary(MLR_PCEC).
В окне рисунка Model Summary(MLR_PCEC) остаточный график предполагает, что стандартное линейное предположение модели о некоррелированых ошибках нарушено. Остаточные значения кажутся автокоррелироваными, неустановившимися, и возможно heteroscedastic.
Чтобы стабилизировать остаточные значения, стабилизируйте ответ и ряд предиктора путем преобразования PCEC
и RealGDP
цены к возвратам, и путем применения первого различия для FEDFUNDS
и UNRATE
.
Преобразуйте PCEC
и RealGDP
цены к возвратам:
В Data Browser выберите PCEC
временные ряды.
На вкладке Econometric Modeler, в разделе Transforms, нажимают Log.
В Data Browser, переменная, представляющая регистрируемый PCEC
цены (PCECLog
) появляется.
В Data Browser выберите PCECLog
.
На вкладке Econometric Modeler, в разделе Transforms, нажимают Difference.
В Data Browser, переменная, представляющая первые различия регистрируемого PCEC
цены (PCECLogDiff
) появляется.
Переименуйте PCECLogDiff
переменная к PCECReturns
.
В Data Browser щелкните правой кнопкой по PCECLogDiff
.
В контекстном меню выберите Rename.
Введите PCECReturns
.
Повторите шаги 1 - 5, но выберите RealGDP
временные ряды вместо этого. Переименуйте действительный GDP, возвращается к RealGDPReturns
.
Примените первое различие для FEDFUNDS
и UNRATE
:
В Data Browser выберите FEDFUNDS
временные ряды.
На вкладке Econometric Modeler, в разделе Transforms, нажимают Difference.
В Data Browser, переменная, представляющая первое различие FEDFUNDS
(FEDFUNDSDiff
) появляется.
Повторите шаги 1 и 2, но выберите UNRATE
временные ряды вместо этого.
Закройте все окна рисунка и документы.
Повторно задайте линейную модель, но используйте стабилизированный ряд вместо этого.
В Data Browser выберите PCECReturns
.
На вкладке Econometric Modeler, в разделе Models, кликают по стреле, чтобы отобразить галерею моделей.
В галерее моделей, в разделе Regression Models, нажимают MLR.
В диалоговом окне MLR Model Parameters, в разделе Predictors, устанавливают флажок Include? для FEDFUNDSDiff
, RealGDPReturns
, и UNRATEDiff
временные ряды.
Нажмите Estimate.
Переменная MLR_PCECReturns
модели появляется в разделе Models Data Browser, и его сводные данные оценки появляются в документе Model Summary(MLR_PCECReturns).
Остаточный график предполагает, что остаточные значения автокоррелируются.
Оцените, являются ли остаточные значения нормально распределенными и автокоррелироваными путем генерации графиков квантиля квантиля и ACF.
Создайте график квантиля квантиля MLR_PCECReturns
остаточные значения модели:
В Data Browser выберите MLR_PCECReturns
модель.
На вкладке Econometric Modeler, в разделе Diagnostics, нажимают Residual Diagnostics> Residual Q-Q Plot.
Остаточные значения скашиваются направо.
Постройте ACF остаточных значений:
В Data Browser выберите MLR_PCECReturns
модель.
На вкладке Econometric Modeler, в разделе Diagnostics, нажимают Residual Diagnostics> Autocorrelation Function.
На вкладке ACF, набор Number of Lags к 40
.
График показывает автокорреляцию в первых 34 задержках.
Попытайтесь исправить автокорреляцию в остаточных значениях путем определения модели регрессии с ARMA (1,1) ошибки для PCECReturns
.
В Data Browser выберите PCECReturns
.
Кликните по вкладке Econometric Modeler. Затем в разделе Models кликните по стреле, чтобы отобразить галерею моделей.
В галерее моделей, в разделе Regression Models, нажимают RegARMA.
В диалоговом окне regARMA Model Parameters:
Во вкладке Lag Order:
Установите Autoregressive Order на 1
.
Установите Moving Average Order на 1
.
В разделе Predictors установите флажок Include? для FEDFUNDSDiff
, RealGDPReturns
, и UNRATEDiff
временные ряды.
Нажмите Estimate.
Переменная RegARMA_PCECReturns
модели появляется в разделе Models Data Browser, и его сводные данные оценки появляются в документе Model Summary(RegARMA_PCECReturns).
Статистические данные t предполагают, что все коэффициенты являются значительными, за исключением коэффициента UNRATEDiff
. Остаточные значения, кажется, колеблются вокруг y = 0 без автокорреляции.
Оцените ли остаточные значения RegARMA_PCECReturns
модель является нормально распределенной и автокоррелированой путем генерации графиков квантиля квантиля и ACF.
Создайте график квантиля квантиля RegARMA_PCECReturns
остаточные значения модели:
В Data Browser выберите RegARMA_PCECReturns
модель.
На вкладке Econometric Modeler, в разделе Diagnostics, нажимают Residual Diagnostics> Residual Q-Q Plot.
Остаточные значения кажутся приблизительно нормально распределенными.
Постройте ACF остаточных значений:
В Data Browser выберите RegARMA_PCECReturns
модель.
На вкладке Econometric Modeler, в разделе Diagnostics, нажимают Residual Diagnostics> Autocorrelation Function.
Первая задержка автокорреляции является значительной.
Отсюда, можно оценить многоуровневые модели, которые отличаются количеством порядков полинома авторегрессивного и скользящего среднего значения в ошибочной модели ARMA. Затем выберите модель с самой низкой подходящей статистической величиной. Или, можно проверять прогнозирующую эффективность моделей путем сравнения прогнозов с данными из выборки.
autocorr
| collintest
| estimate
| fitlm