В этом примере показано, как прогнозировать ответы в зависимости от текущих значений других ответов в горизонте прогноза. Для иллюстрации условного прогнозирования в примере моделируются квартальные показатели индекса потребительских цен (ИПЦ) и уровня безработицы в качестве модели VAR (4).
Загрузить Data_USEconModel набор данных.
load Data_USEconModelПостройте две серии на отдельных графиках.
figure; plot(DataTable.Time,DataTable.CPIAUCSL); title('Consumer Price Index'); ylabel('Index'); xlabel('Date');
figure; plot(DataTable.Time,DataTable.UNRATE); title('Unemployment Rate'); ylabel('Percent'); xlabel('Date');
Как представляется, ИПЦ растет в геометрической прогрессии.
Стабилизировать ИПЦ путем преобразования его в ряд темпов роста. Синхронизировать два ряда, удалив первое наблюдение из ряда уровня безработицы. Создайте новый набор данных, содержащий преобразованные переменные.
rcpi = price2ret(DataTable.CPIAUCSL); unrate = DataTable.UNRATE(2:end); Data = array2timetable([rcpi unrate],'RowTimes',DataTable.Time(2:end),... 'VariableNames',{'rcpi','unrate'});
Создайте модель VAR (4) по умолчанию с использованием краткого синтаксиса.
Mdl = varm(2,4)
Mdl =
varm with properties:
Description: "2-Dimensional VAR(4) Model"
SeriesNames: "Y1" "Y2"
NumSeries: 2
P: 4
Constant: [2×1 vector of NaNs]
AR: {2×2 matrices of NaNs} at lags [1 2 3 ... and 1 more]
Trend: [2×1 vector of zeros]
Beta: [2×0 matrix]
Covariance: [2×2 matrix of NaNs]
Mdl является varm объект модели. Он служит шаблоном для оценки модели.
Подгоните модель к данным.
EstMdl = estimate(Mdl,Data.Variables)
EstMdl =
varm with properties:
Description: "AR-Stationary 2-Dimensional VAR(4) Model"
SeriesNames: "Y1" "Y2"
NumSeries: 2
P: 4
Constant: [0.00171639 0.316255]'
AR: {2×2 matrices} at lags [1 2 3 ... and 1 more]
Trend: [2×1 vector of zeros]
Beta: [2×0 matrix]
Covariance: [2×2 matrix]
EstMdl является varm объект модели. EstMdl структурно совпадает с Mdl, но все параметры известны.
Предположим, что экономист ожидает, что уровень безработицы останется таким же, как и последний наблюдаемый уровень в течение следующих двух лет. Создание матрицы 8 на 2, в которой содержится первый столбец NaN значения и второй столбец содержат последний наблюдаемый уровень безработицы.
YF = [nan(8,1) repmat(Data.unrate(end),8,1)];
Используя расчетную модель, спрогнозируйте путь роста квартальных ИПЦ на следующие два года. Предположим, что уровень безработицы остается прежним в течение следующих двух лет. Укажите весь набор данных как предварительные наблюдения и известные значения в горизонте прогноза.
Y = forecast(EstMdl,8,Data.Variables,'YF',YF)Y = 8×2
-0.0076 8.5000
-0.0136 8.5000
-0.0009 8.5000
-0.0051 8.5000
-0.0050 8.5000
-0.0007 8.5000
-0.0009 8.5000
0.0003 8.5000
Y представляет собой массив путей отклика 8 на 2. Хотя первый столбец содержит условные прогнозы, второй столбец полностью состоит из последнего наблюдаемого уровня безработицы.
С учетом того, что в ближайшие два года уровень безработицы составит 8,5, ожидается, что темпы роста ИПЦ сократятся.