В этом разделе представлено несколько примеров, показывающих, как построить график и вернуть функцию импульсной характеристики (IRF) одномерных авторегрессионных моделей скользящего среднего (ARMA). Примеры также показывают, как взаимодействовать с графиками.
Функции Toolbox™ эконометрики impulse и armairf используйте тот же метод для вычисления IRF одномерной условной средней модели по умолчанию. Однако функции имеют различия, как описано в этой таблице.
| Функция | Описание | Требуемые входные данные | Примечания |
|---|---|---|---|
impulse | График (вычисляет) IRF модели ARIMA, указанной arima объект модели | Полностью указано arima объект модели, например, модель, возвращенная estimate |
|
armairf | Строит графики (вычисляет) IRF модели ARIMA, определяемой полиномами общих операторов задержки AR и MA | Массивы, содержащие полиномиальные коэффициенты оператора общей задержки AR и MA, или LagOp полиномиальные объекты оператора задержки, представляющие общие компоненты AR и MA |
|
В этом примере показано, как построить график и вернуть IRF чистой модели MA с помощью impulse и armairf. В примере также показано, как изменить цвет выводимых на печать IRF.
Уравнение для модели MA (q)
αt,
где ) - многочлен оператора запаздывания q-градуса MA, + startqLq).
IRF для модели MA - последовательность коэффициентов МА θq .
Печать IRF с использованием impulse
Создайте модель MA (3) с нулевым средним значением с коэффициентами 1,
ma = [0.8 0.5 -0.1]; Mdl = arima('Constant',0,'MA',ma,'Variance',1);
Mdl является полностью указанным arima объект модели, представляющий модель MA (3).
Постройте график IRF модели MA (3).
impulse(Mdl)

impulse возвращает штрих-график, содержащий 1 в периоде 0, за которым следуют значения коэффициентов МА на их лагах.
Для модели MA функция импульсной характеристики останавливается после q периодов. В этом примере последний ненулевой коэффициент находится на запаздывании q = 3.
Возврат IRF путем вызова impulse и задание выходного аргумента.
periods = (0:3)'; dm = impulse(Mdl); IRF = table(periods,dm)
IRF=4×2 table
periods dm
_______ ____
0 1
1 0.8
2 0.5
3 -0.1
Чтобы изменить аспекты графика основы, необходимо задать значения его свойств. Ручка графика штока находится в Children свойство дескриптора осей печати.
Извлеките ручку графика штока из текущей ручки осей.
h = gca; hstem = h.Children;
Измените цвет основного графика на красный, используя значение цвета RGB.
hstem.Color = [1 0 0];

Печать IRF с использованием armairf
Постройте график IRF модели MA (3) путем передачиma в качестве коэффициентов МА (второй вход). Укажите пустой массив для коэффициентов полинома AR (первый вход). Возврат IRF и дескриптора графика.
[dm,h] = armairf([],ma);

table(periods,dm)
ans=4×2 table
periods dm
_______ ____
0 1
1 0.8
2 0.5
3 -0.1
В отличие от этого, impulse, armairf возвращает график временных рядов.
Измените цвет линии печати на красный.
h.Color = [1 0 0];

В этом примере показан график IRF модели AR с использованием impulse и armairf. Кроме того, в примере показано, как изменения дисперсии инноваций влияют на IRF.
Уравнение модели AR (p)
где ) - полином оператора p-градусного AR-запаздывания δpLp ).
Процесс AR неподвижен, когда многочлен оператора AR lag стабилен, что означает, что все его корни лежат вне единичной окружности. В этом случае, обратный многочлен бесконечной степени (-1 имеет абсолютно суммируемые коэффициенты, и IRF распадается до нуля.
Печать IRF с использованием impulse
Создайте модель AR (2) с коэффициентами/1 0,5 -0,75, константой модели 0,5 и дисперсией инноваций 1.
ar = [0.5 -0.75]; Mdl = arima('Constant',0.5,'AR',ar,'Variance',1);
Постройте график IRF модели AR (2) для 31 периода из периодов от 0 до 30.
numObs = 31; impulse(Mdl,numObs)

IRF распадается по синусоидальной схеме.
Увеличьте постоянную до 100, а затем постройте график IRF скорректированной модели AR (2).
Mdl.Constant = 100; impulse(Mdl,numObs)

Поскольку детерминированные компоненты не присутствуют в IRF, на них не влияет повышенная постоянная.
Уменьшение дисперсии инноваций до 1e-5, а затем постройте график IRF скорректированной модели AR (2).
Mdl.Variance = 1e-5; impulse(Mdl,numObs)

Поскольку impulse всегда применяет единичный шок к инновациям системы, IRF не затрагивается уменьшенной дисперсией инноваций.
Печать IRF с использованием armairf
Постройте график IRF исходной модели AR (2) путем передачиar в качестве коэффициентов AR (первый вход). Укажите пустой массив для коэффициентов полинома МА (второй вход). Укажите 31 период.
armairf(ar,[],'NumObs',numObs)
Постройте график IRF, определяющий инновационную дисперсию 1e-5.
armairf(ar,[],'NumObs',numObs,'InnovCov',1e-5);

Поскольку armairf применяет инновационный шок с одним стандартным отклонением к системе, масштаб IRF в этом случае меньше.
В этом примере показан график IRF модели ARMA с использованием impulse и armairf.
Уравнение модели ARMA (p, q)
где:
- полином оператора p-градусного AR-запаздывания startpLp).
- многочлен оператора запаздывания q-градуса MA + λ qLq).
Процесс ARMA неподвижен, когда многочлен оператора AR-запаздывания стабилен, что означает, что все его корни лежат вне единичной окружности. В этом случае, обратный многочлен бесконечной степени (1 (L) имеет абсолютно суммируемые коэффициенты, и IRF распадается до нуля.
Печать IRF с использованием impluse
Создайте модель ARMA (2,1) с коэффициентами/1 -0,3 = 0,4, константой модели 0 и дисперсией инноваций 1.
ar = [0.6 -0.3]; ma = 0.4; Mdl = arima('AR',ar,'MA',ma,'Constant',0,'Variance',1);
Постройте график IRF модели ARMA (2,1) для 11 периодов из периодов от 0 до 10.
numObs = 11; impulse(Mdl,numObs)

IRF распадается по синусоидальной схеме.
Печать IRF с использованием armairf
Постройте график IRF модели ARMA (2,1) путем прохожденияar в качестве коэффициентов AR (первый вход) и ma в качестве коэффициентов МА (второй вход). Укажите 11 периодов.
armairf(ar,ma,'NumObs',numObs)
В этом примере показан график и возврат IRF сезонной модели AR с использованием impulse и armairf. Также в примере показано, как подготовиться LagOp многочлены оператора запаздывания как входы в armairf.
Уравнение модели SAR (p, 0,0) × (ps, 0,0) s равно
,
где:
- полиномиальный 1-ϕ1L-...-ϕpLp оператора p-градусного AR-запаздывания.
) - полином оператора сезонного AR-запаздывания пс-градуса 1-Φp1Lp1-...-ΦpsLps.
Подобно чистому процессу AR, процесс SAR является стационарным, когда продукт (является стабильным. В этом случае инверсии бесконечной степени
Печать IRF с использованием impulse
Создайте квартальную модель SAR (1,0,0) × (4,0,0) 4 с = -0,4, константой модели 0 и дисперсией инноваций 1.
ar = 0.5; sar = -0.4; sarlags = 4; Mdl = arima('AR',ar,'SAR',sar,'SARLags',sarlags,... 'Constant',0,'Variance',1)
Mdl =
arima with properties:
Description: "ARIMA(1,0,0) Model with Seasonal AR(4) (Gaussian Distribution)"
Distribution: Name = "Gaussian"
P: 5
D: 0
Q: 0
Constant: 0
AR: {0.5} at lag [1]
SAR: {-0.4} at lag [4]
MA: {}
SMA: {}
Seasonality: 0
Beta: [1×0]
Variance: 1
Постройте график IRF модели SAR для 17 кварталов, от кварталов 0 до 16.
numObs = 17; impulse(Mdl,numObs)

IRF распадается по синусоидальной схеме.
Верните IRF.
irfIMPULSE = impulse(Mdl,numObs);
Печать IRF с использованием armirf
armairf принимает один общий полином AR. Поэтому перед вызовом необходимо умножить все многочлены оператора AR и разностного запаздывания, присутствующие в модели. armairf.
Создайте многочлены оператора задержки для многочленов AR и SAR. Для каждого многочлена:
Включить член запаздывания 0, который имеет коэффициент 1.
Сведите на нет коэффициенты для выражения многочленов в нотации оператора запаздывания со всеми многочленами AR в левой части уравнения.
ARLOP = LagOp([1 -ar],'Lags',[0 1])ARLOP =
1-D Lag Operator Polynomial:
-----------------------------
Coefficients: [1 -0.5]
Lags: [0 1]
Degree: 1
Dimension: 1
MALOP = LagOp([1 -sar],'Lags',[0 sarlags])MALOP =
1-D Lag Operator Polynomial:
-----------------------------
Coefficients: [1 0.4]
Lags: [0 4]
Degree: 4
Dimension: 1
Умножьте многочлены.
ARProdLOP = ARLOP*MALOP
ARProdLOP =
1-D Lag Operator Polynomial:
-----------------------------
Coefficients: [1 -0.5 0.4 -0.2]
Lags: [0 1 4 5]
Degree: 5
Dimension: 1
ARProdLOP является LagOp объект, представляющий произведение многочленов AR и SAR модели SAR.
Постройте график и верните IRF проходом ARProdLOP как многочлен AR (первый вход). Укажите пустой массив для многочлена MA (второй вход). Для построения IRF также верните дескриптор графика.
[irfARMAIRF,h] = armairf(ARProdLOP,[],'NumObs',numObs);
Сравните IRF.
periods = (0:(numObs - 1))'; table(periods,irfIMPULSE,irfARMAIRF)
ans=17×3 table
periods irfIMPULSE irfARMAIRF
_______ __________ __________
0 1 1
1 0.5 0.5
2 0.25 0.25
3 0.125 0.125
4 -0.3375 -0.3375
5 -0.16875 -0.16875
6 -0.084375 -0.084375
7 -0.042188 -0.042188
8 0.13891 0.13891
9 0.069453 0.069453
10 0.034727 0.034727
11 0.017363 0.017363
12 -0.055318 -0.055318
13 -0.027659 -0.027659
14 -0.01383 -0.01383
15 -0.0069148 -0.0069148
⋮
IRF, возвращенные двумя функциями, являются эквивалентными.
Рассмотрим общую линейную модель одномерного временного ряда yt
b (L) αt,
где:
{αt} - последовательность некоррелированных, идентично распределённых случайных величин со стандартным отклонением λ.
a (L) - многочлен оператора задержки AR.
c - константа модели.
xtβ - экзогенный регрессионный компонент. xt - вектор строки наблюдений экзогенных переменных в момент времени t, а β - соответствующий вектор-столбец коэффициентов регрессии.
b (L) - многочлен оператора запаздывания МА.
Предполагая, что (L) ненулевое, краткое представление модели равно
где:
−1b (L) - ψ0 +ψ1L +ψ2L2 полиномиала оператора задержки МА бесконечной степени +... со скалярными коэффициентами/j, j = 0,1,2,... и λ 0 = 1.
mt - детерминированное, свободное от инноваций условное среднее значение процесса в момент времени t.
Функция импульсной характеристики (IRF) - это динамическая реакция системы на один импульс (инновационный шок). IRF измеряет изменение периодов j ответа в будущем из-за изменения нововведения в момент t, для j = 0,1,2,.... Символически IRF в периоде j
Последовательность динамических множителей [1], (0), (1), (2), (...) измеряет чувствительность процесса к чисто переходному изменению инновационного процесса, при этом прошлые реакции и будущие инновации устанавливаются на 0. Поскольку частная производная берется по отношению к нововведению, наличие детерминированных терминов в модели, таких как константа и экзогенная регрессионная составляющая, не оказывает влияния на импульсные реакции.
Свойства IRF определяют характеристики процесса:
Если последовательность абсолютно суммируемой, yt является ковариационно-стационарным стохастическим процессом [2]. Для стационарного стохастического процесса воздействие на процесс вследствие изменения δ t не является постоянным, а эффект импульса распадается до нуля.
В противном случае процесс yt является нестационарным, и на процесс постоянно влияет изменение αt.
Поскольку инновации могут быть интерпретированы как ошибки прогноза на один шаг вперед, импульсная характеристика также известна как импульсная характеристика ошибки прогноза.
[1] Гамильтон, Джеймс Д. Анализ временных рядов. Принстон, Нью-Джерси: Princeton University Press, 1994.
[2] Wold, H. Исследование в анализе стационарных временных рядов. Уппсала, Швеция: Almqvist & Wiksell, 1938.