Сгенерируйте разложение отклонения ошибки прогноза (FEVD) модели в пространстве состояний
fevd
функция возвращает разложение отклонения ошибки прогноза (FEVD) переменных измерения в модели в пространстве состояний, относящейся к покомпонентным шокам для каждого воздействия состояния. FEVD предоставляет информацию об относительной важности каждого воздействия состояния во влиянии на отклонение ошибки прогноза всех переменных измерения в системе. Другие инструменты модели в пространстве состояний, чтобы охарактеризовать динамику заданной системы включают следующее:
Функция импульсной характеристики (IRF), вычисленная irf
и построенный по irfplot
, прослеживает эффекты шока для воздействия состояния на состоянии и переменных измерения в системе.
Подразумеваемые моделью временные корреляции, вычисленные corr
для стандартной модели в пространстве состояний измерьте ассоциацию между текущим и изолированным состоянием или переменными измерения, как предписано формой модели.
возвращает FEVD каждой переменной Decomposition
= fevd(Mdl
)Decomposition
измерения из полностью заданной модели в пространстве состояний
Mdl
.
дополнительные опции использования заданы одним или несколькими аргументами значения имени. Например, Decomposition
= fevd(Mdl
,Name,Value
)'NumPeriods',10
задает оценку FEVD в течение периодов 1 - 10.
возвращает FEVD всех переменных измерения частично заданной модели в пространстве состояний Decomposition
= fevd(___,'Params'
,estParams)Mdl
. estParams
задает оценки всех неизвестных параметров в модели, с помощью любой из комбинаций входных аргументов в предыдущих синтаксисах.
[
также возвращает более низкие и верхние 95% доверительных границ Монте-Карло Decomposition
,Lower
,Upper
] = fevd(___,'Params'
,estParams,'EstParamCov'
,EstParamCov)Lower
и Upper
из каждой переменной FEVD измерения. EstParamCov
задает предполагаемую ковариационную матрицу оценок параметра, как возвращено estimate
функция, и требуется для оценки доверительного интервала.
Вычислите подразумеваемый моделью FEVD двух моделей в пространстве состояний: один с погрешностью измерения и один без погрешности измерения.
Модель без погрешности измерения
Явным образом создайте модель в пространстве состояний без погрешности измерения
A = [1 0; 1 0.3];
B = [0.2 0; 0 1];
C = [1 0; 1 1];
Mdl1 = ssm(A,B,C,'StateType',[2 2])
Mdl1 = State-space model type: ssm State vector length: 2 Observation vector length: 2 State disturbance vector length: 2 Observation innovation vector length: 0 Sample size supported by model: Unlimited State variables: x1, x2,... State disturbances: u1, u2,... Observation series: y1, y2,... Observation innovations: e1, e2,... State equations: x1(t) = x1(t-1) + (0.20)u1(t) x2(t) = x1(t-1) + (0.30)x2(t-1) + u2(t) Observation equations: y1(t) = x1(t) y2(t) = x1(t) + x2(t) Initial state distribution: Initial state means x1 x2 0 0 Initial state covariance matrix x1 x2 x1 1e+07 0 x2 0 1e+07 State types x1 x2 Diffuse Diffuse
Mdl1
ssm
объект модели. Поскольку все параметры знали значения, объект полностью задан.
Вычислите FEVD с 20 периодами переменных измерения.
Decomposition1 = fevd(Mdl1); size(Decomposition1)
ans = 1×3
20 2 2
Decomposition
20 массивом 2 на 2, представляющим FEVD с 20 периодами двух переменных измерения. Отобразите Decomposition(5,1,2)
.
Decomposition1(5,1,2)
ans = 0.4429
В этом случае, 44,29% энергозависимости приписан шоку, к которому применяются .
Постройте FEVD для каждого воздействия состояния.
bar(Decomposition1(:,:,2),'stacked') xlabel('Period') ylabel('Variance decompositions of $y_{2,t}$','Interpreter','latex') legend('$u_{1,t}$','$u_{2,t}$','Interpreter','latex')
Поскольку модель в пространстве состояний свободна от погрешности измерения ( = 0), разложения отклонения каждого периода суммируют к 1. Энергозависимость, относящаяся к увеличения с каждым периодом.
Модель с погрешностью измерения
Явным образом создайте модель в пространстве состояний
D = eye(2);
Mdl2 = ssm(A,B,C,D,'StateType',[2 2])
Mdl2 = State-space model type: ssm State vector length: 2 Observation vector length: 2 State disturbance vector length: 2 Observation innovation vector length: 2 Sample size supported by model: Unlimited State variables: x1, x2,... State disturbances: u1, u2,... Observation series: y1, y2,... Observation innovations: e1, e2,... State equations: x1(t) = x1(t-1) + (0.20)u1(t) x2(t) = x1(t-1) + (0.30)x2(t-1) + u2(t) Observation equations: y1(t) = x1(t) + e1(t) y2(t) = x1(t) + x2(t) + e2(t) Initial state distribution: Initial state means x1 x2 0 0 Initial state covariance matrix x1 x2 x1 1e+07 0 x2 0 1e+07 State types x1 x2 Diffuse Diffuse
Вычислите FEVD с 20 периодами переменных измерения.
Decomposition2 = fevd(Mdl2);
Постройте FEVD для каждого воздействия состояния.
bar(Decomposition2(:,:,2),'stacked') xlabel('Period') ylabel('Variance decompositions of $y_{2,t}$','Interpreter','latex') legend('$u_{1,t}$','$u_{2,t}$','Interpreter','latex')
Поскольку модель содержит погрешность измерения, пропорции отклонения не суммируют к 1 в каждый период.
Явным образом создайте многомерную рассеянную модель в пространстве состояний
A = [1 0; 1 0.3];
B = [0.2 0; 0 1];
C = [1 0; 1 1];
Mdl = dssm(A,B,C,'StateType',[2 2])
Mdl = State-space model type: dssm State vector length: 2 Observation vector length: 2 State disturbance vector length: 2 Observation innovation vector length: 0 Sample size supported by model: Unlimited State variables: x1, x2,... State disturbances: u1, u2,... Observation series: y1, y2,... Observation innovations: e1, e2,... State equations: x1(t) = x1(t-1) + (0.20)u1(t) x2(t) = x1(t-1) + (0.30)x2(t-1) + u2(t) Observation equations: y1(t) = x1(t) y2(t) = x1(t) + x2(t) Initial state distribution: Initial state means x1 x2 0 0 Initial state covariance matrix x1 x2 x1 Inf 0 x2 0 Inf State types x1 x2 Diffuse Diffuse
Mdl
dssm
объект модели.
Вычислите FEVD с 50 периодами переменных измерения.
Decomposition = fevd(Mdl,'NumPeriods',50);
size(Decomposition)
ans = 1×3
50 2 2
Постройте FEVD для каждого воздействия состояния.
bar(Decomposition(:,:,2),'stacked') xlabel('Period') ylabel('Variance decompositions of $y_{2,t}$','Interpreter','latex') legend('$u_{1,t}$','$u_{2,t}$','Interpreter','latex')
Вклад к энергозависимости подходы 90%.
Симулируйте данные из известной модели, соответствуйте данным к модели в пространстве состояний, и затем оцените FEVD переменных измерения.
Рассмотрите разложение временных рядов , где случайный обход с дрейфом, представляющим компонент тренда, и модель AR (1), представляющая компонент цикла.
Модель в обозначении пространства состояний
где фиктивное состояние, представляющее параметр дрейфа, который является 1 для всех .
Симулируйте 500 наблюдений из истинной модели.
rng(1); % For reproducibility ADGP = [1 3 0; 0 1 0; 0 0 0.5]; BDGP = [1 0; 0 0; 0 2]; CDGP = [1 0 1]; DGP = ssm(ADGP,BDGP,CDGP,'StateType',[2 1 0]); y = simulate(DGP,500);
Примите, что постоянный дрейф, отклонения воздействия и коэффициент AR неизвестен. Явным образом создайте шаблон модели в пространстве состояний для оценки, которая представляет модель, заменяя неизвестные параметры в модели с NaN
.
A = [1 NaN 0; 0 1 0; 0 0 NaN];
B = [NaN 0; 0 0; 0 NaN];
C = CDGP;
Mdl = ssm(A,B,C,'StateType',[2 1 0]);
Соответствуйте шаблону модели к данным. Задайте набор положительных, случайных стандартных Гауссовых начальных значений для этих четырех параметров модели. Возвратите предполагаемую модель и вектор из оценок параметра.
[EstMdl,estParams] = estimate(Mdl,y,abs(randn(4,1)),'Display','off')
EstMdl = State-space model type: ssm State vector length: 3 Observation vector length: 1 State disturbance vector length: 2 Observation innovation vector length: 0 Sample size supported by model: Unlimited State variables: x1, x2,... State disturbances: u1, u2,... Observation series: y1, y2,... Observation innovations: e1, e2,... State equations: x1(t) = x1(t-1) + (2.91)x2(t-1) + (0.92)u1(t) x2(t) = x2(t-1) x3(t) = (0.52)x3(t-1) + (2.13)u2(t) Observation equation: y1(t) = x1(t) + x3(t) Initial state distribution: Initial state means x1 x2 x3 0 1 0 Initial state covariance matrix x1 x2 x3 x1 1.00e+07 0 0 x2 0 0 0 x3 0 0 6.20 State types x1 x2 x3 Diffuse Constant Stationary
estParams = 4×1
2.9115
0.5189
0.9200
2.1278
EstMdl
полностью заданный ssm
объект модели. Оценки модели близко к их истинным значениям.
Вычислите и постройте FEVD переменной измерения. Задайте шаблон Mdl
модели и вектор из предполагаемых параметров
estParams
.
Decomposition = fevd(Mdl,'Params',estParams); bar(Decomposition,'stacked') xlabel('Period') ylabel('Variance decompositions of $y_{t}$','Interpreter','latex') legend('$u_{1,t}$','$u_{2,t}$','Interpreter','latex')
Шум в циклическом компоненте доминирует над энергозависимостью переменной измерения в низких задержках с увеличивающимся вкладом от шума компонента тренда, когда задержка увеличивается.
Симулируйте данные из изменяющейся во времени модели в пространстве состояний, подберите модель к данным, и затем оцените изменяющийся во времени FEVD переменной измерения.
Рассмотрите разложение временных рядов , где случайный обход с дрейфом, представляющим компонент тренда, и модель AR (1), представляющая циклический компонент. Предположим, что циклический компонент изменяется в период 26 по отрезку времени с 50 периодами.
Функциональный timeVariantTrendCycleParamMap.m
, сохраненный в mlr/examples/econ/main
, задает структуру модели. mlr
значение matlabroot
.
type timeVariantTrendCycleParamMap.m
% Copyright 2021 The MathWorks, Inc. function [A,B,C,D,Mean0,Cov0,StateType] = timeVariantTrendCycleParamMap(params) % Time-varying state-space model parameter mapping function example. This % function maps the vector params to the state-space matrices (A, B, C, and % D). The measurement equation is a times series decomposed into trend and % cyclical components, with a structural break in the cycle during period % 26. % % The trend component is tau_t = drift + tau_{t-1} + s_1u1_t. % % The cyclical component is: % * c_t = phi_1*c_{t-1} + s_2*u2_t; t = 1 through 25 % * c_t = phi_2*c_{t-1} + s_3*u2_t; t = 11 through 26. % % The measurement equation is y_t = tau_t + c_t. A1 = {[1 params(1) 0; 0 1 0; 0 0 params(2)]}; A2 = {[1 params(1) 0; 0 1 0; 0 0 params(3)]}; varu1 = exp(params(4)); % Positive variance constraints varu21 = exp(params(5)); varu22 = exp(params(6)); B1 = {[sqrt(varu1) 0; 0 0; 0 sqrt(varu21)]}; B2 = {[sqrt(varu1) 0; 0 0; 0 sqrt(varu22)]}; C = [1 0 1]; D = 0; sc = 25; A = [repmat(A1,sc,1); repmat(A2,sc,1)]; B = [repmat(B1,sc,1); repmat(B2,sc,1)]; Mean0 = []; Cov0 = []; StateType = [2 1 0]; end
Неявно создайте частично заданную модель в пространстве состояний, представляющую генерирующийся процесс данных (DGP).
ParamMap = @timeVariantTrendCycleParamMap; DGP = ssm(ParamMap);
Симулируйте 50 наблюдений от DGP. Поскольку DGP
частично задан, передайте истинные значения параметров simulate
при помощи 'Params'
аргумент значения имени.
rng(5) % For reproducibility trueParams = [1 0.5 -0.2 2*log(1) 2*log(2) 2*log(0.5)]; % Transform variances for parameter map y = simulate(DGP,50,'Params',trueParams);
y
50 на 1 вектор из симулированных измерений от DGP.
Поскольку DGP
частично заданный, неявный объект модели, его параметры неизвестны. Поэтому это может служить шаблоном модели для оценки.
Подбирайте модель к симулированным данным. Задайте случайные стандартные Гауссовы ничьи для начальных значений параметров и выключите отображение оценки. Возвратите оценки параметра.
[~,estParams] = estimate(DGP,y,randn(1,6),'Display','off')
estParams = 1×6
0.8510 0.0118 0.6309 -0.3227 1.3778 -0.2200
estParams
1 6 вектор из оценок параметра. Список выходных аргументов функции отображения параметра определяет порядок оценок.
Оцените FEVD переменной измерения путем предоставления DGP
(не предполагаемая модель) и предполагаемые параметры с помощью 'Params'
аргумент значения имени.
Decomposition = fevd(DGP,'Params',estParams,'NumPeriods',50); bar(Decomposition,'stacked') xlabel('Period') ylabel('Variance decompositions of $y_{t}$','Interpreter','latex') legend('$u_{1,t}$','$u_{2,t}$','Interpreter','latex')
FEVD схватил период 26, когда структурный пропуск происходит.
Симулируйте данные из известной модели, соответствуйте данным к модели в пространстве состояний, и затем оцените FEVD переменных измерения с 90% доверительных границ Монте-Карло.
Рассмотрите разложение временных рядов , где случайный обход с дрейфом, представляющим компонент тренда, и модель AR (1), представляющая компонент цикла.
Модель в обозначении пространства состояний
где фиктивное состояние, представляющее параметр дрейфа, который является 1 для всего t.
Симулируйте 500 наблюдений из истинной модели.
rng(1); % For reproducibility ADGP = [1 3 0; 0 1 0; 0 0 0.5]; BDGP = [1 0; 0 0; 0 2]; CDGP = [1 0 1]; DGP = ssm(ADGP,BDGP,CDGP,'StateType',[2 1 0]); y = simulate(DGP,500);
Примите, что постоянный дрейф, отклонения воздействия и коэффициент AR неизвестен. Явным образом создайте шаблон модели в пространстве состояний для оценки, которая представляет модель, заменяя неизвестные параметры в модели с NaN
.
A = [1 NaN 0; 0 1 0; 0 0 NaN];
B = [NaN 0; 0 0; 0 NaN];
C = CDGP;
Mdl = ssm(A,B,C,'StateType',[2 1 0]);
Соответствуйте шаблону модели к данным. Задайте набор положительных, случайных стандартных Гауссовых начальных значений для этих четырех параметров модели и выключите отображение оценки. Возвратите предполагаемую модель и вектор из оценок параметра и их предполагаемой ковариационной матрицы.
[EstMdl,estParams,EstParamCov] = estimate(Mdl,y,abs(randn(4,1)),'Display','off');
EstMdl
полностью заданный ssm
объект модели. Оценки модели близко к их истинным значениям.
Вычислите FEVD переменной измерения с мудрыми периодом 90% доверительных границ Монте-Карло. Задайте шаблон Mdl
модели, вектор из предполагаемых параметров
estParams
, и их предполагаемая ковариационная матрица EstParamCov
.
[Decomposition,Lower,Upper] = fevd(Mdl,'Params',estParams,'EstParamCov',EstParamCov,... 'Confidence',0.9);
Постройте пропорцию энергозависимости относящийся к с соответствующими 90% доверительных границ.
plot(Decomposition(:,1),'r-o') hold on plot([Lower(:,1) Upper(:,1)],'b-o') hold off xlabel('Period') ylabel('Proportion of volatility') title('Volatility Attributable to $u_{1,t}$','Interpreter','latex') legend('Proportion','90% confidence bounds')
Доверительные границы первоначально относительно трудны, но расширяются как увеличение задержки и энергозависимости.
Mdl
— Модель в пространстве состоянийssm
объект модели | dssm
объект моделиМодель в пространстве состояний в виде ssm
объект модели возвращен ssm
или estimate
функция или dssm
объект модели возвращен dssm
или estimate
функция.
Если Mdl
частично задан (то есть, это содержит неизвестные параметры), задайте оценки неизвестных параметров при помощи 'Params'
аргумент значения имени. В противном случае, fevd
выдает ошибку.
fevd
выдает ошибку когда Mdl
dimension-varying model, который является изменяющейся во времени моделью, содержащей по крайней мере одну переменную, которая изменяет размерность в период выборки (например, переменная состояния выпадает из модели).
Совет
Если Mdl
полностью задан, вы не можете оценить доверительные границы. Оценить доверительные границы:
Создайте частично заданный шаблон модели в пространстве состояний для оценки Mdl
.
Оцените модель при помощи estimate
функция и данные. Возвратите предполагаемые параметры estParams
и оцененная ковариационная матрица параметра EstParamCov
.
Передайте шаблон модели для оценки Mdl
к fevd
, и задайте оценки параметра и ковариационную матрицу при помощи 'Params'
и 'EstParamCov'
аргументы значения имени.
Для fevd
функция, возвратите соответствующие выходные аргументы в пользу более низких и верхних доверительных границ.
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'NumPeriods',10
оценка FEVD для задает оценку FEVD в течение периодов 1 - 10.'NumPeriods'
— Количество периодов
(значение по умолчанию) | положительное целое числоКоличество периодов, для который fevd
вычисляет FEVD в виде положительного целого числа. Периоды в FEVD запускаются во время 1 и конец во время NumPeriods
.
Пример:
'NumPeriods',10
задает включение 10 последовательных моментов времени в FEVD, запускающемся во время 1 и заканчивающемся во время 10.
Типы данных: double
'Params'
— Оценки неизвестных параметровОценки неизвестных параметров в частично заданной модели в пространстве состояний Mdl
В виде числового вектора.
Если Mdl
частично задан (содержит неизвестные параметры, заданные NaN
s), необходимо задать Params
. estimate
функция возвращает оценки параметра Mdl
в соответствующей форме. Однако можно предоставить пользовательские оценки путем расположения элементов Params
можно следующим образом:
Если Mdl
явным образом созданная модель (Mdl.ParamMap
isempty
), расположите элементы Params
соответствовать хитам постолбцового поиска NaN
s в содействующих матрицах модели в пространстве состояний, векторе средних значений начального состояния и ковариационной матрице.
Если Mdl
независимо от времени, порядком является A
B
C
D
, Mean0
, и Cov0
.
Если Mdl
время, варьируясь, порядком является A{1}
через A{end}
, B{1}
через B{end}
C1
через C{end}
, D{1}
через D{end}
, Mean0
, и Cov0
.
Если Mdl
неявно созданная модель (Mdl.ParamMap
указатель на функцию), первый входной параметр функции отображения параметра к матрице определяет порядок элементов Params
.
Если Mdl
полностью задан, fevd
игнорирует Params
.
Пример: Считайте модель в пространстве состояний Mdl
с A = B = [NaN 0; 0 NaN]
, C = [1; 1]
, D = 0
, и средние значения начального состояния 0 с ковариацией eye(2)
. Mdl
частично задан и явным образом создан. Поскольку параметры модели содержат в общей сложности четыре NaN
s, Params
должен быть 4 1 вектор, где Params(1)
оценка A(1,1)
, Params(2)
оценка A(2,2)
, Params(3)
оценка B(1,1)
, и Params(4)
оценка B(2,2)
.
Типы данных: double
'EstParamCov'
— Предполагаемая ковариационная матрица неизвестных параметровПредполагаемая ковариационная матрица неизвестных параметров в частично заданной модели в пространстве состояний Mdl
В виде положительной полуопределенной числовой матрицы.
estimate
возвращает предполагаемую ковариационную матрицу параметра Mdl
в соответствующей форме. Однако можно предоставить пользовательские оценки установки EstParamCov (
к предполагаемой ковариации предполагаемых параметров i
J
)Params (
и i
)Params (
, независимо от ли j
)Mdl
независимо от времени или время, варьируясь.
Если Mdl
полностью задан, fevd
игнорирует EstParamCov
.
По умолчанию, fevd
не оценивает доверительные границы.
Типы данных: double
'NumPaths'
— Количество демонстрационных путей Монте-Карло
(значение по умолчанию) | положительное целое числоКоличество демонстрационных путей Монте-Карло (испытания), чтобы сгенерировать, чтобы оценить доверительные границы в виде положительного целого числа.
Пример: 'NumPaths',5000
Типы данных: double
'Confidence'
— Доверительный уровень
(значение по умолчанию) | числовой скаляр в [0,1]Доверительный уровень для доверительных границ в виде числового скаляра в интервале [0,1].
В течение каждого периода случайным образом чертившие доверительные интервалы покрывают истинный ответ 100*Confidence
% из времени.
Значением по умолчанию является 0.95
, который подразумевает, что доверительные границы представляют 95% доверительных интервалов.
Типы данных: double
Decomposition
— FEVDFEVD переменных y t измерения, возвращенных как NumPeriods
- k n числовым массивом.
Разложение (
FEVD переменной t
i
J
)
измеренияj
в период
, когда модульный шок применяется к переменной t
воздействия состоянияi
в период 1, для
= 1,2..., t
NumPeriods
= 1,2..., k и i
= 1,2..., n.j
Lower
— Pointwise понижают доверительные границы FEVDPointwise понижают доверительные границы FEVD переменных измерения, возвращенных как NumPeriods
- k n числовым массивом.
Ниже (
нижняя граница t
i
J
)100*Confidence
% интервал процентили на истинном FEVD переменной
измеренияj
в период
, когда модульный шок применяется к переменной t
воздействия состоянияi
в период 1.
Upper
— Pointwise верхние доверительные границы FEVDPointwise верхние доверительные границы FEVD переменных измерения, возвращенных как NumPeriods
- k n числовым массивом.
Верхний (
верхняя доверительная граница, соответствующая более низкой доверительной границе t
i
J
)Lower
.T
i
J
)
forecast error variance decomposition (FEVD) модели в пространстве состояний измеряет энергозависимость в каждой переменной yt измерения в результате модульного импульса к каждому воздействию состояния ut в период 1. FEVD отслеживает энергозависимость, когда импульсы распространяют систему в течение каждого периода t ≥ 1. FEVD предоставляет информацию об относительной важности каждого воздействия состояния во влиянии на отклонение ошибки прогноза всех переменных измерения в системе.
Считайте независимую от времени модель в пространстве состояний во время t
и считайте модульные шоки для всех воздействий состояния u t в период t – s, где s <t.
Уравнение состояния, описанное в зависимости от u t – s, Соответствующее уравнение измерения
Поэтому общая энергозависимость yt, приписанного шокам с периодов t – s через t,
Этот результат подразумевает, что шум и в уравнениях перехода и в измерения способствует отклонению ошибки прогноза.
Энергозависимость приписала воздействию состояния j u j, t
где:
I k (j) является k-by-k selection matrix, матрица нулей за исключением значения 1 в элементе (j, j).
В результате s - шаг вперед отклонение ошибки прогноза y i, t, относящийся к модульному шоку для u j, t,
Если D является нулем, FEVD переменной измерения в период суммы t к одной (другими словами, сумма каждой строки - одна). В противном случае FEVD переменной измерения в период t не обязательно суммирует одному; остающийся фрагмент относится к D D'.
FEVD изменяющейся во времени, инвариантной размерностью модели в пространстве состояний время, также варьируясь. В этом случае, fevd
всегда применяет модульный шок в период 1. Для s - период вперед FEVD, уравнение измерения
Общая энергозависимость ys
Как с независимыми от времени моделями, s - энергозависимость периода вперед, приписанная воздействию состояния j, потрясенный в период 1 u, j, 1
В результате s - неродной вперед отклонение ошибки прогноза y i, s, относящийся к модульному шоку для u j, 1,
Поскольку независимые от времени и изменяющиеся во времени FEVDs не включают условия распределения начального состояния, формулы применяются к стандарту и рассеянным моделям в пространстве состояний.
Если вы не предоставляете EstParamCov
аргумент значения имени, доверительные границы каждого перекрытия периода.
fevd
симуляция Монте-Карло использования, чтобы вычислить доверительные интервалы.
fevd
случайным образом чертит NumPaths
варьируемые величины от асимптотического распределения выборки неизвестных параметров в Mdl
, который является Np (Params
, EstParamCov
), где p является количеством неизвестных параметров.
Для каждого случайным образом чертившего набора параметров j, fevd
делает следующее:
Создайте модель в пространстве состояний, которая равна Mdl
, но замените в наборе параметров j.
Вычислите случайный FEVD получившейся модели γ j (t), где t = 1 через NumPaths
.
В течение каждого раза t нижняя граница доверительного интервала (1 –
квантиль симулированного FEVD в период t
γ (t), где c
)/2
= c
Confidence
. Точно так же верхняя граница доверительного интервала во время t (1 –
верхний квантиль γ (t).c
)/2
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.