ecmmvnrstd

Оцените стандартные погрешности для многомерной нормальной модели регрессии

Описание

пример

[StdParameters,StdCovariance] = ecmmvnrstd(Data,Design,Covariance) оценивает стандартные погрешности для многомерной нормальной модели регрессии с недостающими данными. Модель имеет форму

DatakN(Designk×Parameters,Covariance)

для выборок k = 1..., NUMSAMPLES.

пример

[StdParameters,StdCovariance] = ecmmvnrstd(___,Method,CovarFormat) добавляет дополнительные аргументы для Method и CovarFormat.

Примеры

свернуть все

В этом примере показано, как вычислить стандартные погрешности для многомерной нормальной модели регрессии.

Во-первых, загрузите даты, совокупные доходы и тикеры для этих двенадцати запасов из MAT-файла.

load CAPMuniverse
whos Assets Data Dates
  Name           Size             Bytes  Class     Attributes

  Assets         1x14              1568  cell                
  Data        1471x14            164752  double              
  Dates       1471x1              11768  double              
Dates = datetime(Dates,'ConvertFrom','datenum');

Активы в модели имеют следующие символы, где последние два ряда являются прокси для рынка и безрискового актива.

Assets(1:14)
ans = 1x14 cell
  Columns 1 through 6

    {'AAPL'}    {'AMZN'}    {'CSCO'}    {'DELL'}    {'EBAY'}    {'GOOG'}

  Columns 7 through 12

    {'HPQ'}    {'IBM'}    {'INTC'}    {'MSFT'}    {'ORCL'}    {'YHOO'}

  Columns 13 through 14

    {'MARKET'}    {'CASH'}

Данные охватывают период с 1 января 2000 до 7 ноября 2005 с ежедневными совокупными доходами. Два запаса в этой вселенной имеют отсутствующие значения, которые представлены NaNs. Один из этих двух запасов имел IPO в этот период и, следовательно, имеет значительно меньше данных, чем другие запасы.

[Mean,Covariance] = ecmnmle(Data);

Вычислите отдельные регрессии для каждого запаса, где запасы с недостающими данными имеют оценки, которые отражают их уменьшаемую наблюдаемость.

[NumSamples, NumSeries] = size(Data);
NumAssets = NumSeries - 2;

StartDate = Dates(1);
EndDate = Dates(end);

Alpha = NaN(1, length(NumAssets));
Beta = NaN(1, length(NumAssets));
Sigma = NaN(1, length(NumAssets));
StdAlpha = NaN(1, length(NumAssets));
StdBeta = NaN(1, length(NumAssets));
StdSigma = NaN(1, length(NumAssets));
for i = 1:NumAssets
	% Set up separate asset data and design matrices
	TestData = zeros(NumSamples,1);
	TestDesign = zeros(NumSamples,2);

	TestData(:) = Data(:,i) - Data(:,14);
	TestDesign(:,1) = 1.0;
	TestDesign(:,2) = Data(:,13) - Data(:,14);

    [Param, Covar] = ecmmvnrmle(TestData, TestDesign);
    
	% Estimate the sample standard errors for model parameters for each asset.
	StdParam = ecmmvnrstd(TestData, TestDesign, Covar,'hessian')
    
end   
StdParam = 2×1

    0.0008
    0.0715

StdParam = 2×1

    0.0012
    0.1000

StdParam = 2×1

    0.0008
    0.0663

StdParam = 2×1

    0.0007
    0.0567

StdParam = 2×1

    0.0010
    0.0836

StdParam = 2×1

    0.0014
    0.2159

StdParam = 2×1

    0.0007
    0.0567

StdParam = 2×1

    0.0004
    0.0376

StdParam = 2×1

    0.0007
    0.0585

StdParam = 2×1

    0.0005
    0.0429

StdParam = 2×1

    0.0008
    0.0709

StdParam = 2×1

    0.0010
    0.0853

Входные параметры

свернуть все

Данные в виде NUMSAMPLES- NUMSERIES матрица с NUMSAMPLES выборки NUMSERIES- размерный случайный вектор. Отсутствующие значения обозначаются NaNs. Только выборки, которые являются полностью NaNs проигнорированы. (Чтобы проигнорировать выборки по крайней мере с одним NaNИспользование mvnrmle.)

Типы данных: double

Модель проекта в виде матрицы или массива ячеек, который обрабатывает две структуры модели:

  • Если NUMSERIES = 1, Design NUMSAMPLES- NUMPARAMS матрица с известными значениями. Эта структура является стандартной формой для регрессии на одном ряде.

  • Если NUMSERIES≥ 1 , Design массив ячеек. Массив ячеек содержит или один или NUMSAMPLES ячейки. Каждая ячейка содержит NUMSERIES- NUMPARAMS матрица известных значений.

    Если Design имеет отдельную ячейку, она принята, чтобы иметь тот же Design матрица для каждой выборки. Если Design имеет больше чем одну ячейку, каждая ячейка содержит Design матрица для каждой выборки.

Типы данных: double | cell

Оценки для ковариации остаточных значений регрессии в виде NUMSERIES- NUMSERIES матрица.

Типы данных: double

(Необязательно) Метод вычисления для информационной матрицы в виде вектора символов, заданного как:

  • 'hessian' — Ожидаемая матрица Гессиана наблюдаемой функции логарифмической правдоподобности. Этот метод рекомендуется, поскольку результирующие стандартные погрешности включают увеличенную неопределенность из-за недостающих данных.

  • 'fisher' — Матрица информации о Фишере.

    Примечание

    Если Method = 'fisher', чтобы получить более быстро только стандартные погрешности оценок отклонения без стандартных погрешностей оценок ковариации, установите CovarFormat = 'diagonal' независимо от формы ковариационной матрицы.

Типы данных: char

(Необязательно) Формат для ковариационной матрицы в виде вектора символов. Выбор:

  • 'full' — Вычислите полную ковариационную матрицу.

  • 'diagonal' — Обеспечьте ковариационную матрицу, чтобы быть диагональной матрицей.

Типы данных: char

Выходные аргументы

свернуть все

Стандартные погрешности для каждого элемента Parameters, возвращенный как NUMPARAMS- 1 вектор-столбец.

Стандартные погрешности для каждого элемента Covariance, возвращенный как NUMSERIES- NUMSERIES матрица.

Ссылки

[1] Мало, Родерик Дж. А. и Дональд Б. Рубин. Статистический анализ с Недостающими данными. 2-й выпуск. John Wiley & Sons, Inc., 2002.

Введен в R2006a
Для просмотра документации необходимо авторизоваться на сайте