Сгенерируйте импульсные характеристики модели векторного исправления ошибок (VEC)
irf
функция возвращает динамический ответ или функцию импульсной характеристики (IRF), к шоку с одним стандартным отклонением для каждой переменной в модели VEC (p - 1). Полностью заданный vecm
объект модели характеризует модель VEC.
IRFs прослеживают эффекты инновационного шока для одной переменной на ответе всех переменных в системе. В отличие от этого разложение отклонения ошибки прогноза (FEVD) предоставляет информацию об относительной важности каждых инноваций во влиянии на все переменные в системе. Оценить FEVD модели VEC, охарактеризованной vecm
объект модели, смотрите fevd
.
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, Response
= irf(Mdl
,Name,Value
)'NumObs',10,'Method',"generalized"
задает оценку обобщенного IRF для 10 моментов времени, запускающихся во время 0, во время который irf
применяет шок, и заканчивающийся в период 9.
[
использование любая из комбинаций входных аргументов в предыдущих синтаксисах и возвращает более низкие и верхние доверительные границы, в течение каждого периода и переменной в IRF, 95%-го доверительного интервала на истинном IRF.Response
,Lower
,Upper
] = irf(___)
Если вы задаете серию остаточных значений при помощи E
аргумент пары "имя-значение", затем irf
оценивает доверительные границы путем начальной загрузки заданных остаточных значений.
В противном случае, irf
оценочные доверительные границы путем проведения симуляции Монте-Карло.
Если Mdl
пользовательский vecm
объект модели (объект, не возвращенный estimate
или измененный после оценки), irf
может потребовать объема выборки для симуляции SampleSize
или преддемонстрационные ответы Y0
.
NaN
значения в Y0
X
, и E
укажите на недостающие данные. irf
удаляет недостающие данные из этих аргументов мудрым списком удалением. Каждый аргумент, если строка содержит по крайней мере один NaN
то irf
удаляет целую строку.
Мудрое списком удаление уменьшает объем выборки, может создать неправильные временные ряды и может вызвать E
и X
не синхронизироваться.
Если Method
"orthogonalized"
, затем получившийся IRF зависит от порядка переменных в модели временных рядов. Если Method
"generalized"
, затем получившийся IRF является инвариантным к порядку переменных. Поэтому эти два метода обычно приводят к различным результатам.
Если Mdl.Covariance
диагональная матрица, затем получившиеся обобщенные и ортогонализируемые IRFs идентичны. В противном случае получившиеся обобщенные и ортогонализируемые IRFs идентичны только, когда первая переменная потрясает все переменные (то есть, все остальное являющееся тем же самым, оба метода дают к тому же значению Response(:,1,:)
).
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), irf
применяет те же внешние данные ко всем путям, используемым для оценки доверительного интервала.
irf
проводит симуляцию, чтобы оценить доверительные границы Lower
и Upper
.
Если вы не задаете остаточные значения E
то irf
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
то irf
соответствует NumPaths
модели к путям к симулированному отклику и X
(те же данные о предикторе для всех путей).
Оцените NumPaths
IRFs 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 irf
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] Pesaran, H. H. и И. Шин. "Обобщенный Анализ Импульсной характеристики в Линейных Многомерных Моделях". Экономические Буквы. Издание 58, 1998, стр 17–29.