vecm

Преобразуйте векторную модель (VAR) авторегрессии в модель векторного исправления ошибок (VEC)

Синтаксис

Описание

VECMdl = vecm(Mdl) преобразует модель VAR (p) Mdl к его эквивалентному представлению модели VEC (p - 1) VECMdl.

Примеры

свернуть все

Рассмотрите модель VAR (2) для следующих семи макроэкономических рядов.

  • Валовой внутренний продукт (ВВП)

  • GDP неявный ценовой дефлятор

  • Заплаченная компенсация сотрудников

  • Несельскохозяйственные часы делового сектора всех людей

  • Эффективная ставка по федеральным фондам

  • Частные потребительские расходы

  • Грубые частные внутренние инвестиции

Загрузите Data_USEconVECModel набор данных.

load Data_USEconVECModel

Для получения дополнительной информации о наборе данных и переменных, введите Description в командной строке.

Определите, должны ли данные быть предварительно обработаны путем графического вывода ряда на отдельных графиках.

figure;
subplot(2,2,1)
plot(FRED.Time,FRED.GDP);
title('Gross Domestic Product');
ylabel('Index');
xlabel('Date');
subplot(2,2,2)
plot(FRED.Time,FRED.GDPDEF);
title('GDP Deflator'); 
ylabel('Index');
xlabel('Date');
subplot(2,2,3)
plot(FRED.Time,FRED.COE);
title('Paid Compensation of Employees');
ylabel('Billions of $');
xlabel('Date');
subplot(2,2,4)
plot(FRED.Time,FRED.HOANBS);
title('Nonfarm Business Sector Hours');
ylabel('Index');
xlabel('Date');

Figure contains 4 axes. Axes 1 with title Gross Domestic Product contains an object of type line. Axes 2 with title GDP Deflator contains an object of type line. Axes 3 with title Paid Compensation of Employees contains an object of type line. Axes 4 with title Nonfarm Business Sector Hours contains an object of type line.

figure;
subplot(2,2,1)
plot(FRED.Time,FRED.FEDFUNDS);
title('Federal Funds Rate');
ylabel('Percent');
xlabel('Date');
subplot(2,2,2)
plot(FRED.Time,FRED.PCEC);
title('Consumption Expenditures');
ylabel('Billions of $');
xlabel('Date');
subplot(2,2,3)
plot(FRED.Time,FRED.GPDI);
title('Gross Private Domestic Investment');
ylabel('Billions of $');
xlabel('Date');

Figure contains 3 axes. Axes 1 with title Federal Funds Rate contains an object of type line. Axes 2 with title Consumption Expenditures contains an object of type line. Axes 3 with title Gross Private Domestic Investment contains an object of type line.

Стабилизируйте весь ряд, кроме ставки по федеральным фондам, путем применяния логарифмического преобразования. Масштабируйте получившийся ряд 100 так, чтобы все ряды были по той же шкале.

FRED.GDP = 100*log(FRED.GDP);      
FRED.GDPDEF = 100*log(FRED.GDPDEF);
FRED.COE = 100*log(FRED.COE);       
FRED.HOANBS = 100*log(FRED.HOANBS); 
FRED.PCEC = 100*log(FRED.PCEC);      
FRED.GPDI = 100*log(FRED.GPDI);

Создайте модель VAR (2) с помощью краткого синтаксиса. Задайте имена переменных.

Mdl = varm(7,2);
Mdl.SeriesNames = FRED.Properties.VariableNames;

Mdl varm объект модели. Все свойства, содержащие NaN значения соответствуют параметрам, чтобы быть оцененными определенными данными.

Оцените модель с помощью целого набора данных и опций по умолчанию.

EstMdl = estimate(Mdl,FRED.Variables)
EstMdl = 
  varm with properties:

     Description: "AR-Stationary 7-Dimensional VAR(2) Model"
     SeriesNames: "GDP"  "GDPDEF"  "COE"  ... and 4 more
       NumSeries: 7
               P: 2
        Constant: [15.835 9.91375 -14.0917 ... and 4 more]'
              AR: {7×7 matrices} at lags [1 2]
           Trend: [7×1 vector of zeros]
            Beta: [7×0 matrix]
      Covariance: [7×7 matrix]

EstMdl предполагаемый varm объект модели. Это полностью задано, потому что все параметры знали значения.

Преобразуйте предполагаемую модель VAR (2) в ее эквивалентное представление модели VEC(1).

VECMdl = vecm(EstMdl)
VECMdl = 
  vecm with properties:

             Description: "7-Dimensional Rank = 7 VEC(1) Model"
             SeriesNames: "GDP"  "GDPDEF"  "COE"  ... and 4 more
               NumSeries: 7
                    Rank: 7
                       P: 2
                Constant: [15.835 9.91375 -14.0917 ... and 4 more]'
              Adjustment: [7×7 matrix]
           Cointegration: [7×7 diagonal matrix]
                  Impact: [7×7 matrix]
   CointegrationConstant: [7×1 vector of NaNs]
      CointegrationTrend: [7×1 vector of NaNs]
                ShortRun: {7×7 matrix} at lag [1]
                   Trend: [7×1 vector of zeros]
                    Beta: [7×0 matrix]
              Covariance: [7×7 matrix]

VECMdl vecm объект модели.

Входные параметры

свернуть все

Модель VAR в виде varm объект модели создается varm или estimate. Mdl должен быть полностью задан.

Выходные аргументы

свернуть все

Эквивалентная модель VEC, возвращенная как vecm объект модели.

Алгоритмы

Рассмотрите m - размерная модель VAR (p) в обозначении разностного уравнения.

yt=c+dt+j=1pΓjytj+βxt+εt.

  • yt является m-by-1 вектор из значений, соответствующих переменным отклика m во время t, где t = 1..., T.

  • c является полной константой.

  • d является полным коэффициентом тренда времени.

  • xt является k-by-1 вектор из значений, соответствующих k внешние переменные предикторы.

  • β является m-by-k матрица коэффициентов регрессии.

  • εt является m-by-1 вектор из случайных Гауссовых инноваций, каждого со средним значением 0 и коллективно m-by-m ковариационная матрица Σ. Для ts, εt и εs независимы.

  • Γj является m-by-m матрица авторегрессивных коэффициентов.

Эквивалентная модель VEC (p - 1) с помощью обозначения оператора задержки

(1L)yt=c+dt+Πyt1+j=1p1Φj(1L)ytj+βxt+εt.

  • L y t = y t – 1.

  • Π является m-by-m матрица удара с рангом r.

  • Φj является m-by-m матрица коэффициентов короткого промежутка времени

Смотрите также

Объекты

Функции

Введенный в R2017b
Для просмотра документации необходимо авторизоваться на сайте