empiricalbvarm

Байесова векторная модель (VAR) авторегрессии с выборками от предшествующего или апостериорного распределения

Описание

Байесов объект модели VAR empiricalbvarm содержит выборки от распределений коэффициентов Λ и инновационная ковариационная матрица Σ модели VAR (p), который использование MATLAB^® охарактеризовать соответствующие предшествующие или апостериорные распределения.

Для Байесовых объектов модели VAR, которые имеют тяжелое следующее, estimate функция возвращает empiricalbvarm объект, представляющий эмпирическое апостериорное распределение. Однако, если у вас есть случайные ничьи от предшествующих или апостериорных распределений содействующей и инновационной ковариационной матрицы, можно создать модель Bayesian VAR с эмпирическим предшествующим непосредственно при помощи empiricalbvarm.

Создание

Синтаксис

Mdl = empiricalbvarm(numseries,numlags,'CoeffDraws',CoeffDraws,'SigmaDraws',SigmaDraws)

Mdl = empiricalbvarm(numseries,numlags,'CoeffDraws',CoeffDraws,'SigmaDraws',SigmaDraws,Name,Value)

Описание

пример

Mdl = empiricalbvarm(numseries,numlags,'CoeffDraws',CoeffDraws,'SigmaDraws',SigmaDraws) создает numseries- D байесов VAR (numlags) объект модели Mdl охарактеризованный случайными выборками от предшествующих или апостериорных распределений $λ = vec (Λ) = vec ({[\begin{matrix} Φ_{1} & Φ_{2} & \dots & Φ_{p} & c & δ & Β \end{matrix}]}^{'})$ и Σ, CoeffDraws и SigmaDraws, соответственно.

numseries = m, положительное целое число, задающее количество серийных переменных времени отклика.
numlags = p, неотрицательное целое число, задающее порядок полинома AR (то есть, количество numseries- numseries Содействующие матрицы AR в модели VAR).

Mdl = empiricalbvarm(numseries,numlags,'CoeffDraws',CoeffDraws,'SigmaDraws',SigmaDraws,Name,Value) устанавливает перезаписываемые свойства (кроме NumSeries и P) использование аргументов пары "имя-значение". Заключите каждое имя свойства в кавычки. Например, empiricalbvarm(3,2,'CoeffDraws',CoeffDraws,'SigmaDraws',SigmaDraws,'SeriesNames',["UnemploymentRate" "CPI" "FEDFUNDS"]) задает случайные выборки от распределений λ и Σ и имен этих трех переменных отклика.

Поскольку апостериорные распределения полусопряженной предшествующей модели (semiconjugatebvarm) аналитически тяжелы, estimate возвращает empiricalbvarm объект, который характеризует последующее поколение и содержит сэмплер Гиббса, чертит от полных условных выражений.

Входные параметры

развернуть все

`numseries` — Количество временных рядов m
1 (значение по умолчанию) | положительное целое число

Количество временных рядов m в виде положительного целого числа. numseries задает размерность многомерной переменной отклика _yt и инновации _εt.

numseries устанавливает NumSeries свойство.

Типы данных: double

`numlags` — Количество изолированных ответов
неотрицательное целое число

Количество изолированных ответов в каждом уравнении y _t в виде неотрицательного целого числа. Получившаяся модель является VAR (numlags) модель; каждая задержка имеет numseries- numseries матрица коэффициентов.

numlags устанавливает P свойство.

Типы данных: double

Свойства

развернуть все

Можно установить перезаписываемые значения свойств, когда вы создаете объект модели при помощи синтаксиса аргумента пары "имя-значение", или после того, как вы создаете объект модели при помощи записи через точку. Например, чтобы создать 3-D модель Bayesian VAR (1) из коэффициента и инновационных массивов ковариации ничьих CoeffDraws и SigmaDraws, соответственно, и затем пометьте переменные отклика, введите:

Mdl = empiricalbvarm(3,1,'CoeffDraws',CoeffDraws,'SigmaDraws',SigmaDraws);
Mdl.SeriesNames = ["UnemploymentRate" "CPI" "FEDFUNDS"];

Требуемый чертит от распределения

`CoeffDraws` — Случайная выборка от предшествующего или апостериорного распределения λ
числовая матрица

Случайная выборка от предшествующего или апостериорного распределения λ в виде NumSeries*k- numdraws числовая матрица, где k = NumSeries*P + IncludeIntercept + IncludeTrend + NumPredictors (количество коэффициентов в уравнении ответа). CoeffDraws представляет эмпирическое распределение λ на основе размера numdraws выборка.

Столбцы соответствуют последовательным ничьим от распределения. CoeffDraws (1:k,:) соответствует всем коэффициентам в уравнении переменной отклика SeriesNames(1), CoeffDraws ((k + 1): (2*k),:) соответствует всем коэффициентам в уравнении переменной отклика SeriesNames(2), и так далее. Для набора индексов строки, соответствующих уравнению:

Элементы 1 через NumSeries соответствуйте задержке 1 коэффициент AR переменных отклика, упорядоченных SeriesNames.
Элементы NumSeries + 1 через 2*NumSeries соответствуйте задержке 2 коэффициента AR переменных отклика, упорядоченных SeriesNames.
В общем случае элементы (q – 1) *NumSeries + 1 через q*NumSeries соответствуйте задержке q Коэффициенты AR переменных отклика упорядочены SeriesNames.
Если IncludeConstant true, элемент NumSeries*P + 1 константа модели.
Если IncludeTrend true, элемент NumSeries*P + 2 линейный коэффициент тренда времени.
Если NumPredictors > 0, элементы NumSeries*P + 3 через k составьте вектор из коэффициентов регрессии внешних переменных.

Этот рисунок показывает структуру строки CoeffDraws для 2D модели VAR (3), которая содержит постоянный вектор и четыре внешних предиктора:

$[\overset{y_{1, t}}{\overset{︷}{\begin{matrix} ϕ_{1, 11} & ϕ_{1, 12} & ϕ_{2, 11} & ϕ_{2, 12} & ϕ_{3, 11} & ϕ_{3, 12} & c_{1} & β_{11} & β_{12} & β_{13} & β_{14} \end{matrix}}} \overset{y_{2, t}}{\overset{︷}{\begin{matrix} ϕ_{1, 21} & ϕ_{1, 22} & ϕ_{2, 21} & ϕ_{2, 22} & ϕ_{3, 21} & ϕ_{3, 22} & c_{2} & β_{21} & β_{22} & β_{23} & β_{24} \end{matrix}}}],$

где

ϕ _{q, jk} является элементом (j, k) задержки матрица коэффициентов AR q.
c _j является константой модели в уравнении переменной отклика j.
B _{j u} является коэффициентом регрессии внешней переменной u в уравнении переменной отклика j.

CoeffDraws и SigmaDraws должен быть основан на том же количестве ничьих, и оба должны представлять, чертит или от предшествующего или от апостериорного распределения.

numdraws должно быть довольно большим, например, 1e6.

Типы данных: double

`SigmaDraws` — Случайная выборка от предшествующего или апостериорного распределения Σ
массив положительных определенных числовых матриц

Случайная выборка от предшествующего или апостериорного распределения Σ в виде NumSeries- NumSeries- numdraws массив положительных определенных числовых матриц. SigmaDraws представляет эмпирическое распределение Σ на основе размера numdraws выборка.

Строки и столбцы соответствуют инновациям в уравнениях переменных отклика, упорядоченных SeriesNames. Столбцы соответствуют последовательным ничьим от распределения.

numdraws должно быть довольно большим, например, 1e6.

Типы данных: double

Характеристики модели и размерность

`Description` Описание модели
строковый скаляр | вектор символов

Описание модели в виде строкового скаляра или вектора символов. Значение по умолчанию описывает размерность модели, например, '2-Dimensional VAR(3) Model'.

Пример: "Model 1"

Типы данных: string | char

`NumSeries` — Количество временных рядов m
положительное целое число

Это свойство доступно только для чтения.

Количество временных рядов m в виде положительного целого числа. NumSeries задает размерность многомерной переменной отклика _yt и инновации _εt.

Типы данных: double

`P` — Многомерный авторегрессивный полиномиальный порядок
неотрицательное целое число

Это свойство доступно только для чтения.

Многомерный авторегрессивный полиномиальный порядок в виде неотрицательного целого числа. P максимальная задержка, которая имеет ненулевую матрицу коэффициентов.

P задает количество преддемонстрационных наблюдений, требуемых инициализировать модель.

Типы данных: double

`SeriesNames` — Серийные имена ответа
представьте вектор в виде строки | массив ячеек из символьных векторов

Ряд ответа называет в виде NumSeries вектор строки длины. Значением по умолчанию является ['Y1' 'Y2'... 'YNumSeries']. empiricalbvarm хранилища SeriesNames как вектор строки.

Пример: ["UnemploymentRate" "CPI" "FEDFUNDS"]

Типы данных: string

`IncludeConstant` — Отметьте для включения постоянного c модели
`true` (значение по умолчанию) | `false`

Отметьте для включения постоянного c модели в виде значения в этой таблице.

Значение	Описание
`false`	Уравнения ответа не включают константу модели.
`true`	Все уравнения ответа содержат константу модели.

Типы данных: логический

`IncludeTrend` — Отметьте для включения линейного термина тренда времени δt
`false` (значение по умолчанию) | `true`

Отметьте для включения линейного термина тренда времени δt в виде значения в этой таблице.

Значение	Описание
`false`	Уравнения ответа не включают линейный термин тренда времени.
`true`	Все уравнения ответа содержат линейный термин тренда времени.

Типы данных: логический

`NumPredictors` — Количество внешних переменных предикторов в компоненте регрессии модели
0 (значение по умолчанию) | неотрицательное целое число

Количество внешних переменных предикторов в компоненте регрессии модели в виде неотрицательного целого числа. empiricalbvarm включает все переменные предикторы симметрично в каждое уравнение ответа.

Параметры модели VAR, выведенные из распределения, чертят

`AR` — Среднее значение распределения авторегрессивных содействующих матриц _Φ1, …, Φ_p
вектор ячейки из числовых матриц

Это свойство доступно только для чтения.

Среднее значение распределения авторегрессивных содействующих матриц _Φ1, …, Φ_p сопоставленный с изолированными ответами в виде P- Вектор ячейки D из NumSeries- NumSeries числовые матрицы.

AR {j} Φ_j, матрица коэффициентов задержки j . Строки соответствуют уравнениям, и столбцы соответствуют изолированным переменным отклика; SeriesNames определяет порядок переменных отклика и уравнений. Содействующие знаки являются теми из модели VAR, описанной в обозначении разностного уравнения.

Если P = 0, AR пустая ячейка. В противном случае, AR набор содействующих средних значений AR, извлеченных из Mu.

Типы данных: cell

`Constant` — Среднее значение распределения постоянного c модели
числовой вектор

Это свойство доступно только для чтения.

Среднее значение распределения постоянного c модели (или точка пересечения) в виде NumSeries- 1 числовой вектор. Постоянный (j) константа в уравнении j; SeriesNames определяет порядок уравнений.

Если IncludeConstant = false, Constant пустой массив. В противном случае, Constant постоянное векторное среднее значение модели, извлеченное из Mu.

Типы данных: double

`Trend` — Среднее значение распределения линейного тренда времени δ
числовой вектор

Это свойство доступно только для чтения.

Среднее значение распределения линейного тренда времени δ в виде NumSeries- 1 числовой вектор. Тренд (j) линейный тренд времени в уравнении j; SeriesNames определяет порядок уравнений.

Если IncludeTrend = false (значение по умолчанию), Trend пустой массив. В противном случае, Trend линейное содействующее среднее значение тренда времени, извлеченное из Mu.

Типы данных: double

`Beta` — Среднее значение распределения матрицы коэффициента регрессии Β
числовая матрица

Это свойство доступно только для чтения.

Среднее значение распределения матрицы B коэффициента регрессии сопоставлено с внешними переменными предикторами в виде NumSeries- NumPredictors числовая матрица.

Бета (j,:) содержит коэффициенты регрессии каждого предиктора в уравнении переменной отклика j y_jT. \beta: K) содержит коэффициент регрессии в каждом уравнении предиктора _xk. По умолчанию все переменные предикторы находятся в компоненте регрессии всех уравнений ответа. Можно вниз-взвесить предиктор от уравнения путем определения, для соответствующего коэффициента, предшествующего среднего значения 0 в Mu и небольшое отклонение в V.

Когда вы создаете модель, переменные предикторы являются гипотетическими. Вы задаете данные о предикторе, когда вы работаете с моделью (например, когда вы оцениваете следующее при помощи estimate). Столбцы данных о предикторе определяют порядок столбцов Beta.

Типы данных: double

`Covariance` — Среднее значение распределения инновационной ковариационной матрицы Σ
положительная определенная числовая матрица

Это свойство доступно только для чтения.

Среднее значение распределения инновационной ковариационной матрицы Σ NumSeries инновации в каждый раз t = 1..., T в виде NumSeries- NumSeries положительная определенная числовая матрица. Строки и столбцы соответствуют инновациям в уравнениях переменных отклика, упорядоченных SeriesNames.

Типы данных: double

Функции объекта

summarize Статистика сводных данных распределения Байесовой векторной модели (VAR) авторегрессии

Примеры

свернуть все

Создайте эмпирическую модель

Скрипт Open Live Script

Рассмотрите 3-D модель VAR (4) для инфляции США (INFL), безработица (UNRATE), и федеральные фонды (FEDFUNDS) уровни.

$[\begin{array}{llllllllllllllllllll} {INFL}_{t} \\ {UNRATE}_{t} \\ {FEDFUNDS}_{t} \end{array}] = c + \sum_{j = 1}^{4} Φ_{j} [\begin{array}{llllllllllllllllllll} {INFL}_{t - j} \\ {UNRATE}_{t - j} \\ {FEDFUNDS}_{t - j} \end{array}] + [\begin{array}{cccccccccccccccccccc} ε_{1, t} \\ ε_{2, t} \\ ε_{3, t} \end{array}] .$

\forall $t$ , $ε_{t}$ серия независимых 3-D нормальных инноваций со средним значением 0 и ковариация $Σ$ .

Можно создать эмпирическую модель Bayesian VAR для коэффициентов ${[Φ_{1}, . . ., Φ_{4}, c]}^{'}$ и инновационная ковариационная матрица $Σ$ двумя способами:

Косвенно создайте empiricalbvarm модель путем оценки апостериорного распределения полусопряженной предшествующей модели.
Непосредственно создайте empiricalbvarm модель предоставлением чертит от предшествующего или апостериорного распределения параметров.

Косвенное создание

Примите следующие предшествующие распределения:

$vec ({[Φ_{1}, . . ., Φ_{4}, c]}^{'}) | Σ \sim Ν_{39} (μ, V)$ , где $μ$ 39 1 вектор из средних значений и $V$ 39 39 ковариационная матрица.
$Σ \sim I n v e r s e W i s h a r t (Ω, ν)$ , где $Ω$ 3х3 матрица шкалы и $ν$ степени свободы.

Создайте полусопряженную предшествующую модель для 3-D VAR (4) параметры модели.

numseries = 3;
numlags = 4;
PriorMdl = semiconjugatebvarm(numseries,numlags)

PriorMdl = 
  semiconjugatebvarm with properties:

        Description: "3-Dimensional VAR(4) Model"
          NumSeries: 3
                  P: 4
        SeriesNames: ["Y1"    "Y2"    "Y3"]
    IncludeConstant: 1
       IncludeTrend: 0
      NumPredictors: 0
                 Mu: [39x1 double]
                  V: [39x39 double]
              Omega: [3x3 double]
                DoF: 13
                 AR: {[3x3 double]  [3x3 double]  [3x3 double]  [3x3 double]}
           Constant: [3x1 double]
              Trend: [3x0 double]
               Beta: [3x0 double]
         Covariance: [3x3 double]

PriorMdl semiconjugatebvarm Байесов объект модели VAR, представляющий предшествующее распределение содействующей и инновационной ковариации 3-D модели VAR (4).

Загрузите США макроэкономический набор данных. Вычислите уровень инфляции. Постройте весь ряд ответа.

load Data_USEconModel
seriesnames = ["INFL" "UNRATE" "FEDFUNDS"];
DataTable.INFL = 100*[NaN; price2ret(DataTable.CPIAUCSL)];
figure
plot(DataTable.Time,DataTable{:,seriesnames})
legend(seriesnames)

Figure contains an axes. The axes contains 3 objects of type line. These objects represent INFL, UNRATE, FEDFUNDS.

Стабилизируйте показатели безработицы и ставки по федеральным фондам путем применения первого различия для каждого ряда.

DataTable.DUNRATE = [NaN; diff(DataTable.UNRATE)];
DataTable.DFEDFUNDS = [NaN; diff(DataTable.FEDFUNDS)];
seriesnames(2:3) = "D" + seriesnames(2:3);

Удалите все отсутствующие значения из данных.

rmDataTable = rmmissing(DataTable);

Оцените апостериорное распределение путем передачи предшествующего и целого ряда данных модели estimate.

rng(1); % For reproducibility
PosteriorMdl = estimate(PriorMdl,rmDataTable{:,seriesnames},'Display','off')

PosteriorMdl = 
  empiricalbvarm with properties:

        Description: "3-Dimensional VAR(4) Model"
          NumSeries: 3
                  P: 4
        SeriesNames: ["Y1"    "Y2"    "Y3"]
    IncludeConstant: 1
       IncludeTrend: 0
      NumPredictors: 0
         CoeffDraws: [39x10000 double]
         SigmaDraws: [3x3x10000 double]
                 AR: {[3x3 double]  [3x3 double]  [3x3 double]  [3x3 double]}
           Constant: [3x1 double]
              Trend: [3x0 double]
               Beta: [3x0 double]
         Covariance: [3x3 double]

PosteriorMdl empiricalbvarm модель, представляющая эмпирическое апостериорное распределение содействующей и инновационной ковариационной матрицы. empiricalbvarm хранит ничьи от последующего поколения $λ$ и $Σ$ в CoeffDraws и SigmaDraws свойства, соответственно.

Прямое создание

Чертите случайную выборку размера 1000 от предшествующего распределения PriorMdl.

numdraws = 1000;
[CoeffDraws,SigmaDraws] = simulate(PriorMdl,'NumDraws',numdraws);
size(CoeffDraws)

ans = 1×2

          39        1000

size(SigmaDraws)

ans = 1×3

           3           3        1000

Создайте модель Bayesian VAR, характеризующую эмпирические предшествующие распределения параметров.

PriorMdlEmp = empiricalbvarm(numseries,numlags,'CoeffDraws',CoeffDraws,...
    'SigmaDraws',SigmaDraws)

PriorMdlEmp = 
  empiricalbvarm with properties:

        Description: "3-Dimensional VAR(4) Model"
          NumSeries: 3
                  P: 4
        SeriesNames: ["Y1"    "Y2"    "Y3"]
    IncludeConstant: 1
       IncludeTrend: 0
      NumPredictors: 0
         CoeffDraws: [39x1000 double]
         SigmaDraws: [3x3x1000 double]
                 AR: {[3x3 double]  [3x3 double]  [3x3 double]  [3x3 double]}
           Constant: [3x1 double]
              Trend: [3x0 double]
               Beta: [3x0 double]
         Covariance: [3x3 double]

Отобразите предшествующие средние матрицы ковариации четырех коэффициентов AR путем установки каждой матрицы в ячейке к переменной.

AR1 = PriorMdlEmp.AR{1}

AR1 = 3×3

   -0.0198    0.0181   -0.0273
   -0.0207   -0.0301   -0.0070
   -0.0009    0.0638    0.0113

AR2 = PriorMdlEmp.AR{2}

AR2 = 3×3

   -0.0453    0.0371    0.0110
   -0.0103   -0.0304   -0.0011
    0.0277   -0.0253    0.0061

AR3 = PriorMdlEmp.AR{3}

AR3 = 3×3

    0.0368   -0.0059    0.0018
   -0.0306   -0.0106    0.0179
   -0.0314   -0.0276    0.0116

AR4 = PriorMdlEmp.AR{4}

AR4 = 3×3

    0.0159    0.0406   -0.0315
   -0.0178    0.0415   -0.0024
    0.0476   -0.0128   -0.0165

Больше о

развернуть все

Байесова векторная авторегрессия (VAR) модель

Bayesian VAR model обрабатывает все коэффициенты и инновационную ковариационную матрицу как случайные переменные в m - размерная, стационарная модель VARX(p). Модель имеет одну из трех форм, описанных в этой таблице.

Модель	Уравнение
VAR уменьшаемой формы (p) в обозначении разностного уравнения	$y_{t} = Φ_{1} y_{t - 1} + ... + Φ_{p} y_{t - p} + c + δ t + Β x_{t} + ε_{t} .$
Многомерная регрессия	$y_{t} = Z_{t} λ + ε_{t} .$
Матричная регрессия	$y_{t} = Λ^{'} z_{t}^{'} + ε_{t} .$

В течение каждого раза t = 1..., T:

_yt является m - размерный наблюдаемый вектор отклика, где m = numseries.
_Φ1, …, Φ_p является m-by-m содействующие матрицы AR задержек 1 через p, где p = numlags.
c является m-by-1 вектор из констант модели если IncludeConstant true.
δ является m-by-1 вектор из линейных коэффициентов тренда времени если IncludeTrend true.
Β m-by-r матрица коэффициентов регрессии r-by-1 вектор из наблюдаемых внешних предикторов x _t, где r = NumPredictors. Все переменные предикторы появляются в каждом уравнении.
$z_{t} = [\begin{matrix} y_{t - 1}^{'} & y_{t - 2}^{'} & \dots & y_{t - p}^{'} & 1 & t & x_{t}^{'} \end{matrix}],$ который является 1 на (mp + r + 2) вектор, и Z _t является m-by-m матрица диагонали блока (mp + r + 2)

$[\begin{matrix} z_{t} & 0_{z} & \dots & 0_{z} \\ 0_{z} & z_{t} & \dots & 0_{z} \\ ⋮ & ⋮ & ⋱ & ⋮ \\ 0_{z} & 0_{z} & 0_{z} & z_{t} \end{matrix}],$
где 0_z является 1 на (mp + r + 2) нулевой вектор.
$Λ = {[\begin{matrix} Φ_{1} & Φ_{2} & \dots & Φ_{p} & c & δ & Β \end{matrix}]}^{'}$ , который является (mp + r + 2)-by-m случайная матрица коэффициентов и m (mp + r + 2)-by-1 векторный λ = vec (Λ).
_εt является m-by-1 вектор из случайных, последовательно некоррелированых, многомерных нормальных инноваций с нулевым вектором для среднего значения и m-by-m матрица Σ для ковариации. Это предположение подразумевает, что вероятность данных

$ℓ (Λ, Σ | y, x) = \prod_{t = 1}^{T} f (y_{t}; Λ, Σ, z_{t}),$
где f является m - размерная многомерная нормальная плотность со средним z _t Λ и ковариация Σ, оцененный в y _t.

Прежде, чем рассмотреть данные, вы налагаете предположение joint prior distribution на (Λ,Σ), которым управляет распределение π (Λ,Σ). В Байесовом анализе распределение параметров обновляется с информацией о параметрах, полученных из вероятности данных. Результатом является π joint posterior distribution (Λ,Σ | Y, X, Y ₀), где:

Y является T-by-m матрица, содержащая целый ряд ответа {y _t}, t = 1, …, T.
X является T-by-m матрица, содержащая целый внешний ряд {x _t}, t = 1, …, T.
Y ₀ является p-by-m, матрица преддемонстрационных данных раньше инициализировала модель VAR для оценки.

Документация

empiricalbvarm

Описание

Создание

Синтаксис

Описание

Входные параметры

`numseries` — Количество временных рядов m
1 (значение по умолчанию) | положительное целое число

`numlags` — Количество изолированных ответов
неотрицательное целое число

Свойства

Требуемый чертит от распределения

`CoeffDraws` — Случайная выборка от предшествующего или апостериорного распределения λ
числовая матрица

`SigmaDraws` — Случайная выборка от предшествующего или апостериорного распределения Σ
массив положительных определенных числовых матриц

Характеристики модели и размерность

`Description` Описание модели
строковый скаляр | вектор символов

`NumSeries` — Количество временных рядов m
положительное целое число

`P` — Многомерный авторегрессивный полиномиальный порядок
неотрицательное целое число

`SeriesNames` — Серийные имена ответа
представьте вектор в виде строки | массив ячеек из символьных векторов

`IncludeConstant` — Отметьте для включения постоянного c модели
`true` (значение по умолчанию) | `false`

`IncludeTrend` — Отметьте для включения линейного термина тренда времени δt
`false` (значение по умолчанию) | `true`

`NumPredictors` — Количество внешних переменных предикторов в компоненте регрессии модели
0 (значение по умолчанию) | неотрицательное целое число

Параметры модели VAR, выведенные из распределения, чертят

`AR` — Среднее значение распределения авторегрессивных содействующих матриц _Φ1, …, Φ_p
вектор ячейки из числовых матриц

`Constant` — Среднее значение распределения постоянного c модели
числовой вектор

`Trend` — Среднее значение распределения линейного тренда времени δ
числовой вектор

`Beta` — Среднее значение распределения матрицы коэффициента регрессии Β
числовая матрица

`Covariance` — Среднее значение распределения инновационной ковариационной матрицы Σ
положительная определенная числовая матрица

Функции объекта

Примеры

Создайте эмпирическую модель

Больше о

Байесова векторная авторегрессия (VAR) модель

Смотрите также

Функции

Объекты

Документация Econometrics Toolbox

Поддержка

Документация

empiricalbvarm

Описание

Создание

Синтаксис

Описание

Входные параметры

numseries — Количество временных рядов m1 (значение по умолчанию) | положительное целое число

numlags — Количество изолированных ответов неотрицательное целое число

Свойства

Требуемый чертит от распределения

CoeffDraws — Случайная выборка от предшествующего или апостериорного распределения λ числовая матрица

SigmaDraws — Случайная выборка от предшествующего или апостериорного распределения Σ массив положительных определенных числовых матриц

Характеристики модели и размерность

Description Описание модели строковый скаляр | вектор символов

NumSeries — Количество временных рядов m положительное целое число

P — Многомерный авторегрессивный полиномиальный порядок неотрицательное целое число

SeriesNames — Серийные имена ответа представьте вектор в виде строки | массив ячеек из символьных векторов

IncludeConstant — Отметьте для включения постоянного c модели true (значение по умолчанию) | false

IncludeTrend — Отметьте для включения линейного термина тренда времени δt false (значение по умолчанию) | true

NumPredictors — Количество внешних переменных предикторов в компоненте регрессии модели0 (значение по умолчанию) | неотрицательное целое число

Параметры модели VAR, выведенные из распределения, чертят

AR — Среднее значение распределения авторегрессивных содействующих матриц Φ1, …, Φp вектор ячейки из числовых матриц

Constant — Среднее значение распределения постоянного c модели числовой вектор

Trend — Среднее значение распределения линейного тренда времени δ числовой вектор

Beta — Среднее значение распределения матрицы коэффициента регрессии Β числовая матрица

Covariance — Среднее значение распределения инновационной ковариационной матрицы Σ положительная определенная числовая матрица

Функции объекта

Примеры

Создайте эмпирическую модель

Больше о

Байесова векторная авторегрессия (VAR) модель

Смотрите также

Функции

Объекты

Документация Econometrics Toolbox

Поддержка

`numseries` — Количество временных рядов m
1 (значение по умолчанию) | положительное целое число

`numlags` — Количество изолированных ответов
неотрицательное целое число

`CoeffDraws` — Случайная выборка от предшествующего или апостериорного распределения λ
числовая матрица

`SigmaDraws` — Случайная выборка от предшествующего или апостериорного распределения Σ
массив положительных определенных числовых матриц

`Description` Описание модели
строковый скаляр | вектор символов

`NumSeries` — Количество временных рядов m
положительное целое число

`P` — Многомерный авторегрессивный полиномиальный порядок
неотрицательное целое число

`SeriesNames` — Серийные имена ответа
представьте вектор в виде строки | массив ячеек из символьных векторов

`IncludeConstant` — Отметьте для включения постоянного c модели
`true` (значение по умолчанию) | `false`

`IncludeTrend` — Отметьте для включения линейного термина тренда времени δt
`false` (значение по умолчанию) | `true`

`NumPredictors` — Количество внешних переменных предикторов в компоненте регрессии модели
0 (значение по умолчанию) | неотрицательное целое число

`AR` — Среднее значение распределения авторегрессивных содействующих матриц _Φ1, …, Φ_p
вектор ячейки из числовых матриц

`Constant` — Среднее значение распределения постоянного c модели
числовой вектор

`Trend` — Среднее значение распределения линейного тренда времени δ
числовой вектор

`Beta` — Среднее значение распределения матрицы коэффициента регрессии Β
числовая матрица

`Covariance` — Среднее значение распределения инновационной ковариационной матрицы Σ
положительная определенная числовая матрица