Чтобы создать модель нескольких данных временных рядов, выберите форму модели VAR и подходящие параметры к данным. Когда у вас есть подобранная модель, проверяйте, соответствует ли модель данным соответственно.
Чтобы подобрать модель к данным, вы должны иметь:
Данные временных рядов, как описано в Многомерных Данных временных рядов
По крайней мере одна структура спецификации модели временных рядов, как описано в Векторной Авторегрессии (VAR) Создание Модели
Существует несколько функций Econometrics Toolbox™, которые помогают этим задачам, включая:
estimate
, который подбирает модели VARX.
summarize
, который отображает и возвращает оценки параметра и другую итоговую статистику от того, чтобы подбирать модель.
lratiotest
и aicbic
, который может помочь определить количество задержек, чтобы включать в модель.
infer
, который выводит остаточные значения модели для диагностической проверки.
forecast
, который создает прогнозы, которые могут использоваться, чтобы проверять соответствие подгонки, как описано в Прогнозировании Модели VAR, Симуляции и Анализе
estimate
выполняет оценку параметра для моделей VAR и VARX только. Для определений этих условий и других определений модели, смотрите Типы Стационарных Многомерных Моделей Временных рядов. Для примера того, чтобы подбирать модель VAR к данным сочтите целесообразным Модель VAR CPI и Уровня безработицы.
Прежде, чем подбирать модель к данным, estimate
требует, по крайней мере
преддемонстрационные наблюдения, чтобы инициализировать модель, где , Mdl
PMdl
varm
объект модели и P
свойство, хранящее степень модели. Можно задать собственные преддемонстрационные наблюдения с помощью 'Y0'
аргумент пары "имя-значение". Или, по умолчанию, estimate
берет первый
наблюдения от выборки оценки Mdl
PY
это не содержит отсутствующих значений. Поэтому, если вы позволяете estimate
возьмите необходимые преддемонстрационные наблюдения из входных данных об ответе Y
, затем эффективные уменьшения объема выборки.
estimate
находит оценки наибольшего правдоподобия параметров существующими в модели. А именно, estimate
оценивает параметры, соответствующие им varm
свойства модели: Constant
, AR
, Trend
\beta
, и Covariance
. Для моделей VAR, estimate
использует алгоритм прямого решения, который не требует никаких итераций. Для моделей VARX, estimate
оптимизирует вероятность с помощью алгоритма условной максимизации ожидания (ECM). Итерации обычно сходятся быстро, если два или больше внешних потока данных не пропорциональны друг другу. В этом случае нет никакого уникального средства оценки наибольшего правдоподобия, и итерации не могут сходиться. Можно определить максимальный номер итераций с MaxIterations
аргумент пары "имя-значение" estimate
, который имеет значение по умолчанию 1000
.
estimate
удаляет целые наблюдения из данных, содержащих по крайней мере одно отсутствующее значение (NaN
). Для получения дополнительной информации смотрите estimate
.
estimate
вычисляет логарифмическую правдоподобность данных, давая его как выход подобранной модели. Используйте этот выход в тестировании качества модели. Например, смотрите, Выбирают Appropriate Lag Order и Examining the Stability Подобранной модели.
При вводе имя подобранной модели в командной строке, вы получаете объектные сводные данные. В Description
строка сводных данных, varm
указывает, является ли модель VAR устойчивой или стационарной.
Другой способ определить стационарность модели VAR состоит в том, чтобы создать объект полинома оператора задержки с помощью предполагаемых коэффициентов авторегрессии (см. LagOP
), и затем передавая оператор задержки isStable
. Например, предположите EstMdl
предполагаемая модель VAR. Следующее показывает, как определить устойчивость модели с помощью объектов полинома оператора задержки. Наблюдайте тот LagOp
требует коэффициента задержки 0
.
ar = [{eye(3)} ar]; % Include the lag 0 coefficient. Mdl = LagOp(ar); Mdl = reflect(Mdl); % Negate all lags > 0 isStable(Mdl)
Если модель VAR устойчива, то isStable
возвращает булево значение 1
, и 0
в противном случае. Компоненты регрессии могут дестабилизировать в противном случае устойчивую модель VAR. Однако можно использовать процесс, чтобы определить устойчивость полинома VAR в модели.
Устойчивые модели приводят к надежным результатам, в то время как нестабильные единицы не могут.
Устойчивость и обратимость эквивалентны всем собственным значениям связанных операторов задержки, имеющих модуль меньше чем 1. На самом деле, isStable
оценивает эти количества путем вычисления собственных значений. Для получения дополнительной информации смотрите isStable
или Гамильтон [90].