Сгенерируйте разложение отклонения ошибки прогноза (FEVD) модели векторного исправления ошибок (VEC)
fevd
функция возвращает разложение ошибки прогноза (FEVD) переменных в модели VEC (p - 1), относящейся к шокам для каждой переменной отклика в системе. Полностью заданный vecm
объект модели характеризует модель VEC.
FEVD предоставляет информацию об относительной важности каждых инноваций во влиянии на отклонение ошибки прогноза всех переменных отклика в системе. В отличие от этого функция импульсной характеристики (IRF) прослеживает эффекты инновационного шока для одной переменной на ответе всех переменных в системе. Оценить IRF модели VEC, охарактеризованной vecm
объект модели, смотрите irf
.
возвращает ортогонализируемый FEVDs переменных отклика, которые составляют модель VEC (p - 1) Decomposition
= fevd(Mdl
)Mdl
охарактеризованный полностью заданным vecm
объект модели. fevd
переменные шоков во время 0, и возвращают FEVD в течение многих времен 1 - 20.
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, Decomposition
= fevd(Mdl
,Name,Value
)'NumObs',10,'Method',"generalized"
задает оценку обобщенного FEVD в течение многих времен 1 - 10.
[
использование любая из комбинаций входных аргументов в предыдущих синтаксисах и возвращает более низкие и верхние 95% доверительных границ в течение каждого периода и переменной в FEVD.Decomposition
,Lower
,Upper
] = fevd(___)
Если вы задаете серию остаточных значений при помощи E
аргумент пары "имя-значение", затем fevd
оценивает доверительные границы путем начальной загрузки заданных остаточных значений.
В противном случае, fevd
оценочные доверительные границы путем проведения симуляции Монте-Карло.
Если Mdl
пользовательский vecm
объект модели (объект, не возвращенный estimate
или измененный после оценки), fevd
может потребовать объема выборки для симуляции SampleSize
или преддемонстрационные ответы Y0
.
Если Method
"orthogonalized"
то fevd
ортогонализирует инновационные шоки путем применения факторизации Холесского ковариационной матрицы модели Mdl.Covariance
. Ковариация ортогонализируемых инновационных шоков является единичной матрицей и FEVD каждой переменной суммы одной, то есть, сумма вдоль любой строки Decomposition
тот. Поэтому ортогонализируемый FEVD представляет пропорцию отклонения ошибки прогноза, относящегося к различным шокам в системе. Однако ортогонализируемый FEVD обычно зависит от порядка переменных.
Если Method
"generalized"
, затем получившийся FEVD, затем получившийся FEVD является инвариантным к порядку переменных и не является основанным на ортогональном преобразовании. Кроме того, получившийся FEVD суммирует одному для конкретной переменной только когда Mdl.Covariance
диагональный [5]. Поэтому обобщенный FEVD представляет вклад в отклонение ошибки прогноза мудрых уравнением шоков для переменных отклика в модели.
Если Mdl.Covariance
диагональная матрица, затем получившиеся обобщенные и ортогонализируемые FEVDs идентичны. В противном случае получившиеся обобщенные и ортогонализируемые FEVDs идентичны только, когда первая переменная потрясает все переменные (другими словами, все остальное являющееся тем же самым, оба метода дают к тому же значению Decomposition(:,1,:)
).
NaN
значения в Y0
X
, и E
укажите на недостающие данные. fevd
удаляет недостающие данные из этих аргументов мудрым списком удалением. Каждый аргумент, если строка содержит по крайней мере один NaN
то fevd
удаляет целую строку.
Мудрое списком удаление уменьшает объем выборки, может создать неправильные временные ряды и может вызвать E
и X
не синхронизироваться.
Данные о предикторе X
представляет один путь внешних многомерных временных рядов. Если вы задаете X
и модель VAR Mdl
имеет компонент регрессии (Mdl.Beta
не пустой массив), fevd
применяет те же внешние данные ко всем путям, используемым для оценки доверительного интервала.
fevd
проводит симуляцию, чтобы оценить доверительные границы Lower
и Upper
.
Если вы не задаете остаточные значения E
то fevd
проводит симуляцию Монте-Карло путем выполнения этой процедуры:
Симулируйте NumPaths
пути к ответу длины SampleSize
от Mdl
.
Подходящий NumPaths
модели, которые имеют ту же структуру как Mdl
к путям к симулированному отклику. Если Mdl
содержит компонент регрессии, и вы задаете X
, fevd
соответствует NumPaths
модели к путям к симулированному отклику и X
(те же данные о предикторе для всех путей).
Оцените NumPaths
FEVDs от NumPaths
предполагаемые модели.
Для каждого момента времени t = 0, …, NumObs
, оцените доверительные интервалы путем вычисления 1 – Confidence
и Confidence
квантили (верхние и нижние границы, соответственно).
Если вы задаете остаточные значения E
то fevd
проводит непараметрическую начальную загрузку путем выполнения этой процедуры:
Передискретизируйте, с заменой, SampleSize
остаточные значения E
. Выполните этот шаг NumPaths
времена, чтобы получить NumPaths
пути .
Сосредоточьте каждый путь загруженных остаточных значений.
Отфильтруйте каждый путь загруженных остаточных значений в центре через Mdl
получить NumPaths
загруженные пути к ответу длины SampleSize
.
Полные шаги 2 - 4 симуляции Монте-Карло, но замена пути к симулированному отклику с загруженными путями к ответу.
[1] Гамильтон, Джеймс. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.
[2] Йохансен, S. Основанный на вероятности вывод в векторных авторегрессивных моделях Cointegrated. Оксфорд: Издательство Оксфордского университета, 1995.
[3] Juselius, K. Модель VAR Cointegrated. Оксфорд: Издательство Оксфордского университета, 2006.
[4] Lütkepohl, H. Новое введение в несколько анализ временных рядов. Нью-Йорк, Нью-Йорк: Springer-Verlag, 2007.
[5] Pesaran, H. H. и И. Шин. "Обобщенный Анализ Импульсной характеристики в Линейных Многомерных Моделях". Экономические Буквы. Издание 58, 1998, стр 17–29.