disp

Класс: dssm

Отображение сводной информации для модели диффузного состояния и пространства

развернуть все на странице

Синтаксис

disp (Mdl)

disp (Mdl, параметры)

disp (___, имя, значение)

Описание

пример

disp(Mdl) отображает сводную информацию для модели диффузного состояния-пространства (dssm объект модели) Mdl. Дисплей включает в себя уравнения состояния и наблюдения как систему скалярных уравнений для облегчения проверки модели. Дисплей также включает в себя размерности коэффициентов, обозначения и типы распределения начального состояния.

Программа отображает неизвестные значения параметров с помощью c1 для первого неизвестного параметра, c2 для второго неизвестного параметра и т.д.

Для изменяющихся во времени моделей с более чем 20 различными наборами уравнений программа отображает первую и последнюю 10 групп по времени (последняя группа является последней).

пример

disp(Mdl,params) отображает dssm модель Mdl и применяет исходные значения к параметрам модели (params).

пример

disp(___,Name,Value) показы Mdl использование дополнительных параметров, указанных одним или несколькими Name,Value аргументы пары. Например, можно указать количество цифр, отображаемых после десятичной точки для коэффициентов модели, или количество членов в строке для уравнений состояния и наблюдений. Можно использовать любой из входных аргументов в предыдущих синтаксисах.

Входные аргументы

развернуть все

`Mdl` - Диффузная модель состояния-пространства
`dssm` объект модели

Модель диффузного состояния-пространства, заданная как dssm объект модели, возвращенный dssm или estimate.

`params` - Начальные значения неизвестных параметров
`[]` (по умолчанию) | числовой вектор

Начальные значения неизвестных параметров, заданные как числовой вектор.

Элементы params соответствуют неизвестным параметрам в матрицах модели state-space A, B, C, и Dи, необязательно, начальное состояние означает Mean0 и ковариационная матрица Cov0.

При создании Mdl явно (то есть путем указания матриц без функции преобразования параметра в матрицу), то программное обеспечение отображает элементы params кому NaNs в матрицах модели state-space и исходных значениях состояний. Программное обеспечение выполняет поиск NaNs по столбцам, следуя порядку A, B, C, D, Mean0, Cov0.
При создании Mdl неявно (то есть путем задания матриц с функцией отображения «параметр-матрица») необходимо задать начальные значения параметров для матриц модели «состояние-пространство», начальные значения состояний и типы состояний в функции отображения «параметры-матрицы».

Чтобы задать тип распределения начального состояния, см. раздел dssm.

Типы данных: double

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

`'MaxStateEq'` - Максимальное количество отображаемых уравнений
`100` (по умолчанию) | положительное целое число

Максимальное количество отображаемых уравнений, указанных как пара, разделенная запятыми, состоящая из 'MaxStateEq' и положительное целое число. Если максимальное количество состояний среди всех периодов не превышает MaxStateEqзатем программа отображает уравнение модели по уравнению.

Пример: 'MaxStateEq',10

Типы данных: double

`'NumDigits'` - Количество цифр, отображаемых после десятичной запятой
`2` (по умолчанию) | неотрицательное целое число

Количество цифр, отображаемых после десятичной точки для известных или оцененных коэффициентов модели, указанных как разделенная запятыми пара, состоящая из 'NumDigits' и неотрицательное целое число.

Пример: 'NumDigits',0

Типы данных: double

`'Period'` - Период для отображения уравнений состояния и наблюдений
положительное целое число

Период для отображения уравнений состояния и наблюдений для изменяющихся во времени моделей состояния и пространства, указанных как пара, разделенная запятыми, состоящая из 'Period' и положительное целое число.

По умолчанию программа отображает уравнения состояния и наблюдения для всех периодов.

Если Period превышает максимальное количество наблюдений, которое поддерживает модель, затем программа отображает уравнения состояния и наблюдения для всех периодов. Если модель имеет более 20 различных наборов уравнений, то программа отображает первую и последнюю 10 группы по времени (последняя группа является последней).

Пример: 'Period',120

Типы данных: double

`'PredictorsPerRow'` - Количество выражений уравнений, отображаемых в строке
`5` (по умолчанию) | положительное целое число

Количество выражений уравнений, отображаемых в строке, указанных как пара, разделенная запятыми, состоящая из 'PredictorsPerRow' и положительное целое число.

Пример: 'PredictorsPerRow',3

Типы данных: double

Примеры

развернуть все

Проверить явно созданную модель диффузного состояния-пространства

Открыть сценарий в реальном времени

Важным шагом в анализе модели «состояние-пространство» является обеспечение того, чтобы программное обеспечение интерпретировало матрицы уравнений состояния и наблюдения так, как предполагалось. Использовать disp для проверки модели диффузного состояния и пространства.

Определите модель диффузного состояния-пространства, где уравнение состояния - модель AR (2), а уравнение наблюдения - разность между текущим и предыдущим состоянием плюс ошибка наблюдения. Символично, что модель «состояние-пространство»

$[\begin{array}{cccccccccccccccccccc} _{x1,} \\ _{tx2,} \\ _{tx3} \end{array}, t \begin{array}{cccccccccccccccccccc} ] = & [ \end{array} \begin{array}{cccccccccccccccccccc} _{0,60,20,5100001] [} \\ _{x1,} \\ _{t-1x2,} \end{array} \begin{array}{cccccccccccccccccccc} t-1x3, \end{array} t-1]_{+}$ [0,300] u1, t

$_{yt} = \begin{array}{cccccccccccccccccccc} [ \end{array} 1-10 \begin{array}{cccccccccccccccccccc} ]_{[} \\ {x1}_{,} \\ _{tx2,} \end{array} tx3, t_{]}$ + 0 .1εt.

Предположим, что начальное распределение состояний является диффузным.

Существует три состояния: $_{x1,}$ t - процесс AR (2), $_{x2}$ , t $_{- x1,}$ t-1 $_{и}$ x3, t - константа модели AR (2).

Определите матрицу состояния-перехода.

A = [0.6 0.2 0.5; 1 0 0; 0 0 1];

Определите матрицу «состояние-возмущение-нагрузка».

B = [0.3; 0; 0];

Определите матрицу чувствительности к измерениям.

C = [1 -1 0];

Определение матрицы наблюдения и инноваций.

D = 0.1;

Укажите модель состояния-пространства с помощью dssm. Определить тип распределения исходного состояния (StateType), отметив следующее:

$_{x1,}$ t - процесс AR (2) с диффузным начальным распределением.
$_{x2,}$ t - тот же процесс AR (2), ${что}_{и x1}$ , t.
$_{x3,}$ t - константа 1 для всех периодов.

StateType = [2 2 1];
Mdl = dssm(A,B,C,D,'StateType',StateType);

Mdl является dssm модель.

Проверка модели диффузного состояния и пространства с помощью disp.

disp(Mdl)

State-space model type: dssm

State vector length: 3
Observation vector length: 1
State disturbance vector length: 1
Observation innovation vector length: 1
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) = (0.60)x1(t-1) + (0.20)x2(t-1) + (0.50)x3(t-1) + (0.30)u1(t)
x2(t) = x1(t-1)
x3(t) = x3(t-1)

Observation equation:
y1(t) = x1(t) - x2(t) + (0.10)e1(t)

Initial state distribution:

Initial state means
 x1  x2  x3 
  0   0   1 

Initial state covariance matrix
     x1   x2   x3 
 x1  Inf  0     0 
 x2  0    Inf   0 
 x3  0    0     0 

State types
    x1       x2       x3    
 Diffuse  Diffuse  Constant

Cov0 имеет бесконечную дисперсию для состояний AR (2).

Отображение модели диффузного состояния-пространства с начальными значениями

Открыть сценарий в реальном времени

Создайте модель диффузного состояния-пространства, содержащую два независимых, авторегрессионных состояния, и где наблюдения являются детерминированной суммой двух состояний. Символически система уравнений

$[\begin{array}{cccccccccccccccccccc} _{xt,} \\ _{1xt,} \end{array} 2] \begin{array}{cccccccccccccccccccc} _{=} \\ _{} \end{array} \begin{array}{cccccccccccccccccccc} _{} \\ _{} \end{array} \begin{array}{cccccccccccccccccccc} _{} \\ _{} \end{array} \begin{array}{cccccccccccccccccccc} _{} \\ _{} \end{array}$ [

$_{yt} = \begin{array}{cccccccccccccccccccc} [ \end{array} 11 \begin{array}{cccccccccccccccccccc} ]_{[} \\ {xt}_{,} \end{array} 1xt$ , 2].

Укажите матрицу состояния-перехода.

A = [NaN 0; 0 NaN];

Укажите матрицу «состояние-возмущение-нагрузка».

B = [NaN 0; 0 NaN];

Укажите матрицу чувствительности к измерениям.

C = [1 1];

Создание модели диффузного состояния-пространства с помощью dssm. Укажите, что первое состояние является неподвижным, а второе - диффузным.

StateType = [0; 2];
Mdl = dssm(A,B,C,'StateType',StateType);

Mdl является dssm объект модели.

Отображение модели пространства состояния. Укажите начальные значения для неизвестных параметров и средства начального состояния и ковариационную матрицу следующим образом:

$_{}_{}$ ϕ1,0=ϕ2,0=0.1.
$_{}_{}$ σ1,0=σ2,0=0.2.

params = [0.1; 0.1; 0.2; 0.2];
disp(Mdl,params)

State-space model type: dssm

State vector length: 2
Observation vector length: 1
State disturbance vector length: 2
Observation innovation vector length: 0
Sample size supported by model: Unlimited
Unknown parameters for estimation: 4

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations:
x1(t) = (c1)x1(t-1) + (c3)u1(t)
x2(t) = (c2)x2(t-1) + (c4)u2(t)

Observation equation:
y1(t) = x1(t) + x2(t)

Initial state distribution:

Initial state means
 x1  x2 
  0   0 

Initial state covariance matrix
     x1    x2  
 x1  0.04  0   
 x2   0    Inf 

State types
     x1         x2   
 Stationary  Diffuse

Программное обеспечение вычисляет среднее начальное состояние и дисперсию стационарного состояния, используя его стационарное распределение.

Явное создание и отображение изменяющейся во времени модели диффузного состояния-пространства

Открыть сценарий в реальном времени

Из периодов 1-50 модель состояния представляет собой модель диффузного AR (2) и стационарного MA (1), а модель наблюдения представляет собой сумму двух состояний. Из периодов 51-100 модель состояния включает только первую модель AR (2). Символично, что модель state-space для периодов от 1 до 50,

$\begin{array}{c} \begin{array}{cccccccccccccccccccc} _{} \\ _{} \\ _{} \\ _{} \end{array} [x1tx2tx3tx4t] = \begin{array}{cccccccccccccccccccc} _{} & _{} \end{array} [ϕ1ϕ2001000000θ0000] [\begin{array}{cccccccccccccccccccc} _{x1,} \\ _{t-1x2,} \\ _{t-1x3,} \\ _{t-1x4, t-1} \end{array}] + \begin{array}{cccccccccccccccccccc} _{} \end{array} \begin{array}{cccccccccccccccccccc} _{} \\ _{} \\ _{} \\ _{} \end{array} \\ _{}_{[σ1000000000100010][u1tu2tu3tu4t]yt=a1}_{}_{} (x1t+x3t)_{+}_{} \end{array}$ σ2εt,

за период 51,

$\begin{array}{c} \begin{array}{cccccccccccccccccccc} _{} \\ _{} \end{array} [x1tx2t] = \begin{array}{cccccccccccccccccccc} _{} & _{} \end{array} [ϕ1ϕ2001000] [\begin{array}{cccccccccccccccccccc} _{x1,} \\ _{t-1x2,} \\ _{t-1x3,} \\ _{t-1x4, t-1} \end{array}] + \begin{array}{cccccccccccccccccccc} _{} \end{array} \begin{array}{cccccccccccccccccccc} _{} \\ _{} \\ _{} \\ _{} \end{array} \\ _{}_{}_{}_{}_{[σ10000000] [u1tu2tu3tu4t] yt=a2x1t +σ3εt} \end{array}$

и на периоды 52- 100,

$\begin{array}{c} \begin{array}{cccccccccccccccccccc} _{} \\ _{} \end{array} [x1tx2t] = \begin{array}{cccccccccccccccccccc} _{} & _{} \end{array} [ϕ1ϕ210] [\begin{array}{cccccccccccccccccccc} _{x1,} \\ _{t-1x2, t-1} \end{array}] + \begin{array}{cccccccccccccccccccc} _{} \end{array} \begin{array}{cccccccccccccccccccc} _{} \\ _{} \end{array} \\ _{}_{}_{}_{}_{[σ1000] [u1tu2t] yt=a2x1t +σ3εt} . \end{array}$

Укажите матрицу коэффициентов перехода состояния.

A1 = {[NaN NaN 0 0; 1 0 0 0; 0 0 0 NaN; 0 0 0 0]};
A2 = {[NaN NaN 0 0; 1 0 0 0]};
A3 = {[NaN NaN; 1 0]};
A = [repmat(A1,50,1);A2;repmat(A3,49,1)];

Укажите матрицу коэффициентов нарушения состояния и нагрузки.

B1 = {[NaN 0 0 0; 0 0 0 0; 0 0 1 0; 0 0 1 0]};
B2 = {[NaN 0 0 0; 0 0 0 0]};
B3 = {[NaN 0; 0 0]};
B = [repmat(B1,50,1);B2;repmat(B3,49,1)];

Укажите матрицу коэффициентов чувствительности к измерениям.

C1 = {[NaN 0 NaN 0]};
C3 = {[NaN 0]};
C = [repmat(C1,50,1);repmat(C3,50,1)];

Укажите матрицу коэффициентов наблюдения-возмущения.

D1 = {NaN};
D3 = {NaN};
D = [repmat(D1,50,1);repmat(D3,50,1)];

Создайте модель диффузного состояния-пространства. Укажите, что распределения начального состояния являются диффузными для состояний, составляющих модель AR, и стационарными для состояний, составляющих модель MA.

StateType = [2; 2; 0; 0];

Mdl = dssm(A,B,C,D,'StateType',StateType);

Mdl является dssm объект модели.

Модель является большой и содержит различный набор параметров для каждого периода. Программа отображает уравнения состояния и наблюдения для первых 10 и последних 10 периодов. Можно выбрать периоды для просмотра уравнений с помощью 'Period' аргумент пары имя-значение.

Отображение модели диффузного состояния и пространства и использование 'Period' отображение уравнений состояния и наблюдений для 50-го, 51-го и 52-го периодов.

disp(Mdl,'Period',50)

State-space model type: dssm

State vector length: Time-varying
Observation vector length: 1
State disturbance vector length: Time-varying
Observation innovation vector length: 1
Sample size supported by model: 100
Unknown parameters for estimation: 600

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations (in period 50):
x1(t) = (c148)x1(t-1) + (c149)x2(t-1) + (c300)u1(t)
x2(t) = x1(t-1)
x3(t) = (c150)x4(t-1) + u3(t)
x4(t) = u3(t)
Time-varying transition matrix A contains unknown parameters:
c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 
c21 c22 c23 c24 c25 c26 c27 c28 c29 c30 c31 c32 c33 c34 c35 c36 c37 c38 c39 c40 
c41 c42 c43 c44 c45 c46 c47 c48 c49 c50 c51 c52 c53 c54 c55 c56 c57 c58 c59 c60 
c61 c62 c63 c64 c65 c66 c67 c68 c69 c70 c71 c72 c73 c74 c75 c76 c77 c78 c79 c80 
c81 c82 c83 c84 c85 c86 c87 c88 c89 c90 c91 c92 c93 c94 c95 c96 c97 c98 c99 c100 
c101 c102 c103 c104 c105 c106 c107 c108 c109 c110 c111 c112 c113 c114 c115 c116 c117 c118 c119 c120 
c121 c122 c123 c124 c125 c126 c127 c128 c129 c130 c131 c132 c133 c134 c135 c136 c137 c138 c139 c140 
c141 c142 c143 c144 c145 c146 c147 c148 c149 c150 c151 c152 c153 c154 c155 c156 c157 c158 c159 c160 
c161 c162 c163 c164 c165 c166 c167 c168 c169 c170 c171 c172 c173 c174 c175 c176 c177 c178 c179 c180 
c181 c182 c183 c184 c185 c186 c187 c188 c189 c190 c191 c192 c193 c194 c195 c196 c197 c198 c199 c200 
c201 c202 c203 c204 c205 c206 c207 c208 c209 c210 c211 c212 c213 c214 c215 c216 c217 c218 c219 c220 
c221 c222 c223 c224 c225 c226 c227 c228 c229 c230 c231 c232 c233 c234 c235 c236 c237 c238 c239 c240 
c241 c242 c243 c244 c245 c246 c247 c248 c249 c250 
Time-varying state disturbance loading matrix B contains unknown parameters:
c251 c252 c253 c254 c255 c256 c257 c258 c259 c260 c261 c262 c263 c264 c265 c266 c267 c268 c269 c270 
c271 c272 c273 c274 c275 c276 c277 c278 c279 c280 c281 c282 c283 c284 c285 c286 c287 c288 c289 c290 
c291 c292 c293 c294 c295 c296 c297 c298 c299 c300 c301 c302 c303 c304 c305 c306 c307 c308 c309 c310 
c311 c312 c313 c314 c315 c316 c317 c318 c319 c320 c321 c322 c323 c324 c325 c326 c327 c328 c329 c330 
c331 c332 c333 c334 c335 c336 c337 c338 c339 c340 c341 c342 c343 c344 c345 c346 c347 c348 c349 c350 

Observation equation (in period 50):
y1(t) = (c449)x1(t) + (c450)x3(t) + (c550)e1(t)
Time-varying measurement sensitivity matrix C contains unknown parameters:
c351 c352 c353 c354 c355 c356 c357 c358 c359 c360 c361 c362 c363 c364 c365 c366 c367 c368 c369 c370 
c371 c372 c373 c374 c375 c376 c377 c378 c379 c380 c381 c382 c383 c384 c385 c386 c387 c388 c389 c390 
c391 c392 c393 c394 c395 c396 c397 c398 c399 c400 c401 c402 c403 c404 c405 c406 c407 c408 c409 c410 
c411 c412 c413 c414 c415 c416 c417 c418 c419 c420 c421 c422 c423 c424 c425 c426 c427 c428 c429 c430 
c431 c432 c433 c434 c435 c436 c437 c438 c439 c440 c441 c442 c443 c444 c445 c446 c447 c448 c449 c450 
c451 c452 c453 c454 c455 c456 c457 c458 c459 c460 c461 c462 c463 c464 c465 c466 c467 c468 c469 c470 
c471 c472 c473 c474 c475 c476 c477 c478 c479 c480 c481 c482 c483 c484 c485 c486 c487 c488 c489 c490 
c491 c492 c493 c494 c495 c496 c497 c498 c499 c500 
Time-varying observation innovation loading matrix D contains unknown parameters:
c501 c502 c503 c504 c505 c506 c507 c508 c509 c510 c511 c512 c513 c514 c515 c516 c517 c518 c519 c520 
c521 c522 c523 c524 c525 c526 c527 c528 c529 c530 c531 c532 c533 c534 c535 c536 c537 c538 c539 c540 
c541 c542 c543 c544 c545 c546 c547 c548 c549 c550 c551 c552 c553 c554 c555 c556 c557 c558 c559 c560 
c561 c562 c563 c564 c565 c566 c567 c568 c569 c570 c571 c572 c573 c574 c575 c576 c577 c578 c579 c580 
c581 c582 c583 c584 c585 c586 c587 c588 c589 c590 c591 c592 c593 c594 c595 c596 c597 c598 c599 c600 

Initial state distribution:

Initial state means are not specified.
Initial state covariance matrix is not specified.
State types
    x1       x2        x3          x4     
 Diffuse  Diffuse  Stationary  Stationary

disp(Mdl,'Period',51)

State-space model type: dssm

State vector length: Time-varying
Observation vector length: 1
State disturbance vector length: Time-varying
Observation innovation vector length: 1
Sample size supported by model: 100
Unknown parameters for estimation: 600

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations (in period 51):
x1(t) = (c151)x1(t-1) + (c152)x2(t-1) + (c301)u1(t)
x2(t) = x1(t-1)
Time-varying transition matrix A contains unknown parameters:
c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 
c21 c22 c23 c24 c25 c26 c27 c28 c29 c30 c31 c32 c33 c34 c35 c36 c37 c38 c39 c40 
c41 c42 c43 c44 c45 c46 c47 c48 c49 c50 c51 c52 c53 c54 c55 c56 c57 c58 c59 c60 
c61 c62 c63 c64 c65 c66 c67 c68 c69 c70 c71 c72 c73 c74 c75 c76 c77 c78 c79 c80 
c81 c82 c83 c84 c85 c86 c87 c88 c89 c90 c91 c92 c93 c94 c95 c96 c97 c98 c99 c100 
c101 c102 c103 c104 c105 c106 c107 c108 c109 c110 c111 c112 c113 c114 c115 c116 c117 c118 c119 c120 
c121 c122 c123 c124 c125 c126 c127 c128 c129 c130 c131 c132 c133 c134 c135 c136 c137 c138 c139 c140 
c141 c142 c143 c144 c145 c146 c147 c148 c149 c150 c151 c152 c153 c154 c155 c156 c157 c158 c159 c160 
c161 c162 c163 c164 c165 c166 c167 c168 c169 c170 c171 c172 c173 c174 c175 c176 c177 c178 c179 c180 
c181 c182 c183 c184 c185 c186 c187 c188 c189 c190 c191 c192 c193 c194 c195 c196 c197 c198 c199 c200 
c201 c202 c203 c204 c205 c206 c207 c208 c209 c210 c211 c212 c213 c214 c215 c216 c217 c218 c219 c220 
c221 c222 c223 c224 c225 c226 c227 c228 c229 c230 c231 c232 c233 c234 c235 c236 c237 c238 c239 c240 
c241 c242 c243 c244 c245 c246 c247 c248 c249 c250 
Time-varying state disturbance loading matrix B contains unknown parameters:
c251 c252 c253 c254 c255 c256 c257 c258 c259 c260 c261 c262 c263 c264 c265 c266 c267 c268 c269 c270 
c271 c272 c273 c274 c275 c276 c277 c278 c279 c280 c281 c282 c283 c284 c285 c286 c287 c288 c289 c290 
c291 c292 c293 c294 c295 c296 c297 c298 c299 c300 c301 c302 c303 c304 c305 c306 c307 c308 c309 c310 
c311 c312 c313 c314 c315 c316 c317 c318 c319 c320 c321 c322 c323 c324 c325 c326 c327 c328 c329 c330 
c331 c332 c333 c334 c335 c336 c337 c338 c339 c340 c341 c342 c343 c344 c345 c346 c347 c348 c349 c350 

Observation equation (in period 51):
y1(t) = (c451)x1(t) + (c551)e1(t)
Time-varying measurement sensitivity matrix C contains unknown parameters:
c351 c352 c353 c354 c355 c356 c357 c358 c359 c360 c361 c362 c363 c364 c365 c366 c367 c368 c369 c370 
c371 c372 c373 c374 c375 c376 c377 c378 c379 c380 c381 c382 c383 c384 c385 c386 c387 c388 c389 c390 
c391 c392 c393 c394 c395 c396 c397 c398 c399 c400 c401 c402 c403 c404 c405 c406 c407 c408 c409 c410 
c411 c412 c413 c414 c415 c416 c417 c418 c419 c420 c421 c422 c423 c424 c425 c426 c427 c428 c429 c430 
c431 c432 c433 c434 c435 c436 c437 c438 c439 c440 c441 c442 c443 c444 c445 c446 c447 c448 c449 c450 
c451 c452 c453 c454 c455 c456 c457 c458 c459 c460 c461 c462 c463 c464 c465 c466 c467 c468 c469 c470 
c471 c472 c473 c474 c475 c476 c477 c478 c479 c480 c481 c482 c483 c484 c485 c486 c487 c488 c489 c490 
c491 c492 c493 c494 c495 c496 c497 c498 c499 c500 
Time-varying observation innovation loading matrix D contains unknown parameters:
c501 c502 c503 c504 c505 c506 c507 c508 c509 c510 c511 c512 c513 c514 c515 c516 c517 c518 c519 c520 
c521 c522 c523 c524 c525 c526 c527 c528 c529 c530 c531 c532 c533 c534 c535 c536 c537 c538 c539 c540 
c541 c542 c543 c544 c545 c546 c547 c548 c549 c550 c551 c552 c553 c554 c555 c556 c557 c558 c559 c560 
c561 c562 c563 c564 c565 c566 c567 c568 c569 c570 c571 c572 c573 c574 c575 c576 c577 c578 c579 c580 
c581 c582 c583 c584 c585 c586 c587 c588 c589 c590 c591 c592 c593 c594 c595 c596 c597 c598 c599 c600 

Initial state distribution:

Initial state means are not specified.
Initial state covariance matrix is not specified.
State types
    x1       x2        x3          x4     
 Diffuse  Diffuse  Stationary  Stationary

disp(Mdl,'Period',52)

State-space model type: dssm

State vector length: Time-varying
Observation vector length: 1
State disturbance vector length: Time-varying
Observation innovation vector length: 1
Sample size supported by model: 100
Unknown parameters for estimation: 600

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations (in period 52):
x1(t) = (c153)x1(t-1) + (c154)x2(t-1) + (c302)u1(t)
x2(t) = x1(t-1)
Time-varying transition matrix A contains unknown parameters:
c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 
c21 c22 c23 c24 c25 c26 c27 c28 c29 c30 c31 c32 c33 c34 c35 c36 c37 c38 c39 c40 
c41 c42 c43 c44 c45 c46 c47 c48 c49 c50 c51 c52 c53 c54 c55 c56 c57 c58 c59 c60 
c61 c62 c63 c64 c65 c66 c67 c68 c69 c70 c71 c72 c73 c74 c75 c76 c77 c78 c79 c80 
c81 c82 c83 c84 c85 c86 c87 c88 c89 c90 c91 c92 c93 c94 c95 c96 c97 c98 c99 c100 
c101 c102 c103 c104 c105 c106 c107 c108 c109 c110 c111 c112 c113 c114 c115 c116 c117 c118 c119 c120 
c121 c122 c123 c124 c125 c126 c127 c128 c129 c130 c131 c132 c133 c134 c135 c136 c137 c138 c139 c140 
c141 c142 c143 c144 c145 c146 c147 c148 c149 c150 c151 c152 c153 c154 c155 c156 c157 c158 c159 c160 
c161 c162 c163 c164 c165 c166 c167 c168 c169 c170 c171 c172 c173 c174 c175 c176 c177 c178 c179 c180 
c181 c182 c183 c184 c185 c186 c187 c188 c189 c190 c191 c192 c193 c194 c195 c196 c197 c198 c199 c200 
c201 c202 c203 c204 c205 c206 c207 c208 c209 c210 c211 c212 c213 c214 c215 c216 c217 c218 c219 c220 
c221 c222 c223 c224 c225 c226 c227 c228 c229 c230 c231 c232 c233 c234 c235 c236 c237 c238 c239 c240 
c241 c242 c243 c244 c245 c246 c247 c248 c249 c250 
Time-varying state disturbance loading matrix B contains unknown parameters:
c251 c252 c253 c254 c255 c256 c257 c258 c259 c260 c261 c262 c263 c264 c265 c266 c267 c268 c269 c270 
c271 c272 c273 c274 c275 c276 c277 c278 c279 c280 c281 c282 c283 c284 c285 c286 c287 c288 c289 c290 
c291 c292 c293 c294 c295 c296 c297 c298 c299 c300 c301 c302 c303 c304 c305 c306 c307 c308 c309 c310 
c311 c312 c313 c314 c315 c316 c317 c318 c319 c320 c321 c322 c323 c324 c325 c326 c327 c328 c329 c330 
c331 c332 c333 c334 c335 c336 c337 c338 c339 c340 c341 c342 c343 c344 c345 c346 c347 c348 c349 c350 

Observation equation (in period 52):
y1(t) = (c452)x1(t) + (c552)e1(t)
Time-varying measurement sensitivity matrix C contains unknown parameters:
c351 c352 c353 c354 c355 c356 c357 c358 c359 c360 c361 c362 c363 c364 c365 c366 c367 c368 c369 c370 
c371 c372 c373 c374 c375 c376 c377 c378 c379 c380 c381 c382 c383 c384 c385 c386 c387 c388 c389 c390 
c391 c392 c393 c394 c395 c396 c397 c398 c399 c400 c401 c402 c403 c404 c405 c406 c407 c408 c409 c410 
c411 c412 c413 c414 c415 c416 c417 c418 c419 c420 c421 c422 c423 c424 c425 c426 c427 c428 c429 c430 
c431 c432 c433 c434 c435 c436 c437 c438 c439 c440 c441 c442 c443 c444 c445 c446 c447 c448 c449 c450 
c451 c452 c453 c454 c455 c456 c457 c458 c459 c460 c461 c462 c463 c464 c465 c466 c467 c468 c469 c470 
c471 c472 c473 c474 c475 c476 c477 c478 c479 c480 c481 c482 c483 c484 c485 c486 c487 c488 c489 c490 
c491 c492 c493 c494 c495 c496 c497 c498 c499 c500 
Time-varying observation innovation loading matrix D contains unknown parameters:
c501 c502 c503 c504 c505 c506 c507 c508 c509 c510 c511 c512 c513 c514 c515 c516 c517 c518 c519 c520 
c521 c522 c523 c524 c525 c526 c527 c528 c529 c530 c531 c532 c533 c534 c535 c536 c537 c538 c539 c540 
c541 c542 c543 c544 c545 c546 c547 c548 c549 c550 c551 c552 c553 c554 c555 c556 c557 c558 c559 c560 
c561 c562 c563 c564 c565 c566 c567 c568 c569 c570 c571 c572 c573 c574 c575 c576 c577 c578 c579 c580 
c581 c582 c583 c584 c585 c586 c587 c588 c589 c590 c591 c592 c593 c594 c595 c596 c597 c598 c599 c600 

Initial state distribution:

Initial state means are not specified.
Initial state covariance matrix is not specified.
State types
    x1       x2        x3          x4     
 Diffuse  Diffuse  Stationary  Stationary

Программное обеспечение присваивает различный набор коэффициентов для каждого периода. При оценке таких моделей могут возникнуть числовые проблемы. Для повторного использования параметров между группами периодов рекомендуется создать функцию сопоставления параметра с матрицей.

Совет

Программа всегда отображает явно определенные модели пространства состояний (то есть модели, создаваемые без использования функции отображения параметров в матрицу). Сначала попробуйте явно указать модели пространства состояний, чтобы можно было проверить их с помощью disp.
Функция «параметр-матрица», заданная для создания Mdl является черным ящиком к программному обеспечению. Поэтому программное обеспечение может не отображать сложные неявно определенные модели пространства состояний.

Алгоритмы

При неявном создании Mdlи если программное обеспечение не может вывести местоположения неизвестных параметров из функции «параметр-матрица», то программное обеспечение оценивает эти параметры, используя их исходные значения, и отображает их как числовые значения. Эта оценка может произойти, когда функция «параметр-матрица» имеет случайный неизвестный коэффициент, который является удобной формой для исследования Монте-Карло.
Программа отображает начальное распределение состояний в виде числовых значений. Этот тип отображения происходит потому, что во многих случаях начальное распределение зависит от значений матриц уравнений состояний. A и B. Эти значения часто являются сложной функцией неизвестных параметров. В таких ситуациях программное обеспечение не отображает начальное распределение символически. Дополнительно, если Mean0 и Cov0 содержат неизвестные параметры, затем программа оценивает и отображает числовые значения неизвестных параметров.

Ссылки

[1] Дурбин Дж., и С. Дж. Копман. Анализ временных рядов по методам пространства состояний. 2-й ред. Оксфорд: Oxford University Press, 2012.

См. также

Темы

Что такое государственные космические модели?

Представлен в R2015b

Документация

disp

Синтаксис

Описание

Входные аргументы

`Mdl` - Диффузная модель состояния-пространства
`dssm` объект модели

`params` - Начальные значения неизвестных параметров
`[]` (по умолчанию) | числовой вектор

Аргументы пары «имя-значение»

`'MaxStateEq'` - Максимальное количество отображаемых уравнений
`100` (по умолчанию) | положительное целое число

`'NumDigits'` - Количество цифр, отображаемых после десятичной запятой
`2` (по умолчанию) | неотрицательное целое число

`'Period'` - Период для отображения уравнений состояния и наблюдений
положительное целое число

`'PredictorsPerRow'` - Количество выражений уравнений, отображаемых в строке
`5` (по умолчанию) | положительное целое число

Примеры

Проверить явно созданную модель диффузного состояния-пространства

Отображение модели диффузного состояния-пространства с начальными значениями

Явное создание и отображение изменяющейся во времени модели диффузного состояния-пространства

Совет

Алгоритмы

Ссылки

См. также

Темы

Документация по инструментарию Econometrics

Поддержка

Документация

disp

Синтаксис

Описание

Входные аргументы

Mdl - Диффузная модель состояния-пространства dssm объект модели

params - Начальные значения неизвестных параметров [] (по умолчанию) | числовой вектор

Аргументы пары «имя-значение»

'MaxStateEq' - Максимальное количество отображаемых уравнений 100 (по умолчанию) | положительное целое число

'NumDigits' - Количество цифр, отображаемых после десятичной запятой 2 (по умолчанию) | неотрицательное целое число

'Period' - Период для отображения уравнений состояния и наблюдений положительное целое число

'PredictorsPerRow' - Количество выражений уравнений, отображаемых в строке 5 (по умолчанию) | положительное целое число

Примеры

Проверить явно созданную модель диффузного состояния-пространства

Отображение модели диффузного состояния-пространства с начальными значениями

Явное создание и отображение изменяющейся во времени модели диффузного состояния-пространства

Совет

Алгоритмы

Ссылки

См. также

Темы

Документация по инструментарию Econometrics

Поддержка

`Mdl` - Диффузная модель состояния-пространства
`dssm` объект модели

`params` - Начальные значения неизвестных параметров
`[]` (по умолчанию) | числовой вектор

`'MaxStateEq'` - Максимальное количество отображаемых уравнений
`100` (по умолчанию) | положительное целое число

`'NumDigits'` - Количество цифр, отображаемых после десятичной запятой
`2` (по умолчанию) | неотрицательное целое число

`'Period'` - Период для отображения уравнений состояния и наблюдений
положительное целое число

`'PredictorsPerRow'` - Количество выражений уравнений, отображаемых в строке
`5` (по умолчанию) | положительное целое число