Документация

irfplot(Mdl) строит график IRF или динамического отклика каждого состояния и переменной измерения полностью заданной модели состояния-пространства Mdl, например, оценочная модель. irfplot строит график, содержащий IRF переменных измерения yt, и график, содержащий отдельный рисунок, содержащий IRF переменных состояния xt. Каждый рисунок содержит вложенный график для каждой комбинации возмущений переменной и состояния; Подплот (i, j) представляет собой IRF переменной j, возникающей в результате единичного шока, приложенного к нарушению состояния i ui, t. Заголовки вложенных графиков определяют переменную с шоком и переменную IRF.

irfplot(Mdl,Name,Value) использует дополнительные параметры, заданные одним или несколькими аргументами пары имя-значение. Например, 'PlotU',1:2,'PlotX',[] строит графики только переменных IRF измерения, являющихся результатом шоков, применяемых к первым и вторым переменным возмущений состояния (график IRF переменных состояния подавляется).

Частично указанная модель состояния-пространства и оценка доверительного интервала

irfplot(___,'Params',estParams) строит графики IRF частично заданной модели состояния-пространства Mdl используя любую из комбинаций входных аргументов в предыдущих синтаксисах. estParams задает оценки всех неизвестных параметров в модели.

irfplot(___,'Params',estParams,'EstParamCov',EstParamCov) также строит точечные нижние и верхние 95% доверительные границы Монте-Карло в каждом графике. EstParamCov определяет матрицу оцененной ковариации оценок параметров, возвращаемых estimate и требуется для оценки доверительного интервала.

Настройка фигур

irfplot(ax,___) графики на объектах осей, указанных ax вместо новых фигур. Выбор ax может предшествовать любой из комбинаций входных аргументов в предыдущих синтаксисах.

h = irfplot(ax,___) также возвращает массив дескрипторов печати h. Использовать h для изменения свойств графиков после их создания.

Примеры

Измерение графика и переменные состояния IRF

Явное создание модели состояния-пространства

$\begin{array}{l} _{xt} = 0_{.} 5xt-1 +_{} \\ 0_{} ._{} 2utyt =_{} 2xt \end{array}$ + 0 .001εt.

A = 0.5;
B = 0.2;
C = 2;
D = 0.01;
Mdl = ssm(A,B,C,D)

Mdl = 
State-space model type: ssm

State vector length: 1
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 equation:
x1(t) = (0.50)x1(t-1) + (0.20)u1(t)

Observation equation:
y1(t) = (2)x1(t) + (0.01)e1(t)

Initial state distribution:

Initial state means
 x1 
  0 

Initial state covariance matrix
     x1   
 x1  0.05 

State types
     x1     
 Stationary

Mdl является ssm объект модели. Поскольку все параметры имеют известные значения, объект полностью указан.

Постройте графики IRF переменных измерения и состояния.

irfplot(Mdl);

Figure contains an axes. The axes with title U1 -> Y1 contains 3 objects of type line.

Figure contains an axes. The axes with title U1 -> X1 contains 3 objects of type line.

Сюжет под названием U1 - > Y1 является IRF $_{}$ yt, а сюжет под названием U1 - > X1 является IRF $_{}$ xt. Оба IRF указывают на то, что влияние шока на систему уменьшается примерно через 8 периодов.

Укажите количество периодов и IRF для печати

Постройте график 10-периодных IRF только для переменных измерения в системе.

Явное создание многомерной модели диффузного состояния и пространства

$\begin{array}{llllllllllllllllllll} _{x1,} t_{= x1,} t-1_{+ 0} \\ _{.} 2u1,_{tx2,} t =_{x1,} {t-1}_{+} \\ 0_{.} {3x2}_{,} {t-1}_{+} \\ _{u2,}_{ty1,} t_{=} x1,_{t} + \end{array}$ α1, ty2, t = x1, t + x2, t + α2, t.

A = [1 0; 1 0.3];
B = [0.2 0; 0 1];
C = [1 0; 1 1];
D = eye(2);
Mdl = dssm(A,B,C,D)

Mdl = 
State-space model type: dssm

State vector length: 2
Observation vector length: 2
State disturbance vector length: 2
Observation innovation vector length: 2
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) = x1(t-1) + (0.20)u1(t)
x2(t) = x1(t-1) + (0.30)x2(t-1) + u2(t)

Observation equations:
y1(t) = x1(t) + e1(t)
y2(t) = x1(t) + x2(t) + e2(t)

Initial state distribution:

Initial state means
 x1  x2 
  0   0 

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

State types
    x1       x2   
 Diffuse  Diffuse

Mdl является полностью указанным ssm объект модели.

Постройте график двух 10-периодных IRF $_{y2,}$ t и подавьте переменные состояния IRF.

irfplot(Mdl,'NumPeriods',10,'PlotY',2,'PlotX',[]);

Figure contains 2 axes. Axes 1 with title U1 -> Y2 contains 3 objects of type line. Axes 2 with title U2 -> Y2 contains 3 objects of type line.

Верхний подграфик - это IRF $_{y2,}$ t в результате удара до $_{u1,}$ t, который является постоянным, потому что удар фильтруется через состояние случайной ходьбы $_{x1}$ , t.

Нижний подграфик представляет собой IRF $_{y2,}$ t, возникающий в результате шока до $_{u2,}$ t, который является переходным и в конечном итоге уменьшается по мере истечения времени, потому что ${состояние}_{x2}$ , t проявляет авторегрессионное поведение.

Печать совокупных IRF расчетной модели по указанным осям

Моделирование данных из известной модели, подгонка данных к модели состояния-пространства, а затем печать кумулятивных IRF расчетной модели по указанным осям.

Предположим, что процесс генерации данных (DGP) является моделью AR (1).

$_{xt} = 1 + 0_{.}_{}$ 75xt-2 + ut,

где $_{ut}$ - ряд независимых и одинаково распределенных гауссовых переменных со средним значением 0 и дисперсией 1.

Смоделировать 500 наблюдений из модели.

rng(1); % For reproducibility
DGP = arima('Constant',1,'AR',{0 0.75},'Variance',1);
y = simulate(DGP,500);

Явное создание шаблона модели «состояние-пространство» для оценки, представляющей модель

$\begin{array}{l} _{} xt=c_{+ϕxt-2}_{} \\ _{}_{+ηutyt=xt} . \end{array}$

A = [0 NaN NaN; 0 1 0; 1 0 0];
B = [NaN; 0; 0];
C = [1 0 0];
D = 0;
Mdl = ssm(A,B,C,D,'StateType',[0 1 0]);

Поместите шаблон модели в данные. Укажите набор положительных случайных стандартных гауссовых начальных значений для трех параметров модели.

EstMdl = estimate(Mdl,y,abs(randn(3,1)));

Method: Maximum likelihood (fminunc)
Sample size: 500
Logarithmic  likelihood:     -892.214
Akaike   info criterion:      1790.43
Bayesian info criterion:      1803.07
      |     Coeff      Std Err   t Stat     Prob  
--------------------------------------------------
 c(1) | 0.41320       0.12199    3.38730  0.00071 
 c(2) | 0.67319       0.02749   24.48749   0      
 c(3) | 1.11450       0.03623   30.76557   0      
      |                                           
      |  Final State   Std Dev    t Stat    Prob  
 x(1) | 3.69929        0          Inf      0      
 x(2) |  1             0          Inf      0      
 x(3) | 1.43378        0          Inf      0

EstMdl является полностью указанным dssm объект модели.

Постройте график кумулятивных IRF первой и третьей переменных состояния и переменной измерения в EstMdl. Верните график на том же рисунке на трех отдельных вложенных графиках.

ax = gobjects(3,1);
for j = 1:numel(ax)
    ax(j) = subplot(3,1,j);
end
irfplot(ax,EstMdl,'Cumulative',true,'PlotX',[1 3]);

Figure contains 3 axes. Axes 1 with title U1 -> Y1 contains 3 objects of type line. Axes 2 with title U1 -> X1 contains 3 objects of type line. Axes 3 with title U1 -> X3 contains 3 objects of type line.

Поскольку $_{yt} =_{}$ xt, два верхних IRF на рисунке эквивалентны. ${Поскольку}_{x1,}_{t-1 =}$ x3, t, IRF на вложенном графике в нижней части рисунка смещается влево относительно двух других графиков.

График изменения IRF во времени

Смоделировать данные модели с изменяющимся во времени состоянием и пространством, подогнать модель к данным, а затем построить график изменяющейся во времени IRF расчетной модели.

Рассмотрим DGP, представленный этой системой

$\begin{array}{l} _{} \begin{array}{l} _{}_{} \\ _{}_{} \end{array} \\ _{}_{}_{xt={0.75xt-1+ut;t<11-0.1xt-1+3ut;t≥11yt=1.5xt+2εt} . \end{array}$

Функция timeVariantAR1ParamMap.m, хранится в mlr/examples/econ/main, определяет структуру модели. mlr - значение matlabroot.

type timeVariantAR1ParamMap.m

% Copyright 2020 The MathWorks, Inc.

function [A,B,C,D] = timeVariantAR1ParamMap(params)
% Time-varying state-space model parameter mapping function example. This
% function maps the vector params to the state-space matrices (A, B, C, and
% D). From periods 1 through 10, the state model is an AR(1)model, and from
% periods 11 through 20, the state model is possibly a different AR(1)
% model. The measurement equation is the same throughout the time span.
    A1 = {params(1)};
    A2 = {params(2)};
    varu1 = exp(params(3));  % Positive variance constraints
    varu2 = exp(params(4));
    B1 = {sqrt(varu1)}; 
    B2 = {sqrt(varu2)};
    C = params(5);
    vare1 = exp(params(6));
    D = sqrt(vare1);
    A = [repmat(A1,10,1); repmat(A2,10,1)];
    B = [repmat(B1,10,1); repmat(B2,10,1)];
end

Неявно создайте частично заданную модель пространства состояния, представляющую DGP. Для этого примера зафиксируйте коэффициент чувствительности измерения $C$ к 1.5.

C = 1.5;
fixCParamMap = @(x)timeVariantAR1ParamMap([x(1:4), C, x(5)]);
DGP = ssm(fixCParamMap);

Смоделировать 20 наблюдений из DGP. Поскольку DGP частично указан, передать истинные значения параметров в simulate с помощью 'Params' аргумент пары имя-значение.

rng(10) % For reproducibility
A1 = 0.75;
A2 = -0.1; 
B1 = 1;
B2 = 3;
D = 2;
trueParams = [A1 A2 2*log(B1) 2*log(B2) 2*log(D)]; % Transform variances for parameter map
y = simulate(DGP,20,'Params',trueParams);

y является вектором 20 на 1 моделируемых измерений $_{yt}$ из DGP.

Поскольку DGP является частично указанным неявным объектом модели, его параметры неизвестны. Поэтому он может служить образцом модели для оценки.

Подгонка модели к моделируемым данным. Укажите случайные стандартные розыгрыши Гаусса для начальных значений параметров. Возвращает оценки параметров.

[~,estParams] = estimate(DGP,y,randn(1,5),'Display','off')

estParams = 1×5

    0.6164   -0.1665    0.0135    1.6803   -1.5855

estParams является вектором 1 на 5 оценок параметров. Список выходных аргументов функции отображения параметров определяет порядок оценок: A{1}, A{2}, B{1}, B{2}, и D.

Постройте график IRF переменных измерения и состояния, предоставив DGP (не оценочная модель) и оценочные параметры с использованием 'Params' аргумент пары имя-значение.

h = irfplot(DGP,'Params',estParams);
xline(h(1,1).Parent,10.5,'--')

Figure contains an axes. The axes with title U1 -> Y1 contains 4 objects of type line, constantline.

xline(h(1,2).Parent,10.5,'--')

Figure contains an axes. The axes with title U1 -> X1 contains 4 objects of type line, constantline.

На рисунках показаны изменяющиеся во времени IRF переменных измерения и состояния. Первые 10 периодов соответствуют IRF первого уравнения состояния. В течение периода 11 то, что осталось от удара, переходит ко второму уравнению состояния и фильтруется через эту систему, пока она не уменьшится.

Построить график доверительных границ IRF

Постройте график вариабельного IRF измерения и 95% доверительных интервалов на истинных IRF.

Предположим, что процесс генерации данных (DGP) является моделью AR (1).

$_{xt} = 1 + 0_{.}_{}$ 75xt-2 + ut,

Смоделировать 500 наблюдений из модели.

rng(1); % For reproducibility
DGP = arima('Constant',1,'AR',{0 0.75},'Variance',1);
y = simulate(DGP,500);

Явно создайте шаблон модели диффузного состояния и пространства для оценки, который представляет модель. Подгоните модель к данным и верните оценки параметров и их соответствующую матрицу оцененной ковариации.

A = [0 NaN NaN; 0 1 0; 1 0 0];
B = [NaN; 0; 0];
C = [1 0 0];
D = 0;
Mdl = dssm(A,B,C,D,'StateType',[0 1 0]);
[~,estParams,EstParamCov] = estimate(Mdl,y,abs(randn(3,1)));

Method: Maximum likelihood (fminunc)
Effective Sample size:            500
Logarithmic  likelihood:     -892.214
Akaike   info criterion:      1790.43
Bayesian info criterion:      1803.07
      |     Coeff      Std Err   t Stat     Prob  
--------------------------------------------------
 c(1) | 0.41320       0.12199    3.38730  0.00071 
 c(2) | 0.67319       0.02749   24.48749   0      
 c(3) | 1.11450       0.03623   30.76557   0      
      |                                           
      |  Final State   Std Dev    t Stat    Prob  
 x(1) | 3.69929        0          Inf      0      
 x(2) |  1             0          Inf      0      
 x(3) | 1.43378        0          Inf      0

Mdl является полностью указанным, оценочным dssm объект модели.

Постройте график IRF с 95% доверительными интервалами измеряемой переменной.

irfplot(Mdl,'Params',estParams,'EstParamCov',EstParamCov,...
    'PlotX',[]);

Figure contains an axes. The axes with title U1 -> Y1 contains 3 objects of type line.

Синяя линия представляет оценочную IRF $_{yt}$ . Пунктирные красные линии представляют верхнюю и нижнюю точечные 95% доверительные границы на истинном IRF. Модель имеет только один член запаздывания (отставание 2), так как шок фильтрует через систему, он влияет на первую переменную состояния только в нечетные периоды.

Входные аргументы

`Mdl` - Модель «состояние-пространство»
`ssm` объект модели | `dssm` объект модели

Модель пространства состояния, заданная как ssm объект модели, возвращенный ssm или его estimate функцию или dssm объект модели, возвращенный dssm или его estimate функция.

Если Mdl частично указан (то есть содержит неизвестные параметры), указать оценки неизвестных параметров с помощью 'Params' аргумент «имя-значение». В противном случае irfplot выдает ошибку.

irfplot выдает ошибку при Mdl - изменяющаяся во времени модель, содержащая по меньшей мере одну переменную, изменяющую размерность в течение периода выборки (например, переменная состояния выпадает из модели).

Совет

Если Mdl полностью указан, оценить доверительные границы невозможно. Для оценки доверительных границ:

Создание частично заданного шаблона модели состояния-пространства для оценки Mdl.
Оцените модель с помощью estimate функции и данных. Возврат расчетных параметров estParams и матрица ковариации оцененного параметра EstParamCov.
Передача шаблона модели для оценки Mdl кому irfplotи укажите оценки параметров и ковариационную матрицу, используя 'Params' и 'EstParamCov' аргументы «имя-значение».
Для irfplot функция возвращает соответствующие выходные аргументы для нижней и верхней доверительных границ.

`ax` - Оси для построения IRF
вектор `Axes` объекты

Оси для построения IRF, указанные как pU*(pY + pX)около-1 вектор Axes объекты, где pU, pY, и pX - длины значений 'PlotU', 'PlotY', и 'PlotX' аргументы пары имя-значение соответственно.

irfplot строит графики IRF к осям в ax в таком порядке.

IRF всех измеряемых переменных PlotY(:) в результате шока до нарушения первого состояния PlotU(1).
IRF всех измеряемых переменных PlotY(:) в результате шока до нарушения второго состояния PlotU(2).
Продолжайте процедуру аналогично до irfplot строит график IRF, связанный с последним нарушением состояния PlotU(end).
Повторите шаги 1-3, но замените переменные измерения переменными состояния. PlotX.

По умолчанию irfplot строит графики переменных IRF измерений по осям вложенных диаграмм на новом рисунке и строит графики переменных IRF состояний по осям вложенных диаграмм на другом новом рисунке.

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.

Пример: 'PlotU',1:2,'PlotX',[] строит графики только переменных IRF измерений, являющихся результатом шоков, применяемых к первым и вторым переменным возмущений состояний (график переменных IRF состояний подавляется).

Опции IRF

`'NumPeriods'` - Количество периодов
`20` (по умолчанию) | положительное целое число

Количество периодов, для которых irfplot вычисляет IRF, указанный как положительное целое число. Периоды в IRF начинаются в момент времени 1 и заканчиваются в момент времени NumPeriods.

Пример: 'NumPeriods',10 определяет включение 10 последовательных моментов времени в IRF, начиная с момента 1, в течение которого irfplot применяет шок и заканчивается в момент времени 10.

Типы данных: double

`'Params'` - Оценки неизвестных параметров
числовой вектор

Оценки неизвестных параметров в частично заданной модели состояния-пространства Mdl, задается как числовой вектор.

Если Mdl частично указан (содержит неизвестные параметры, указанные NaNs), необходимо указать Params. estimate функция возвращает оценки параметров Mdl в соответствующей форме. Тем не менее, вы можете предоставить пользовательские оценки, упорядочив элементы Params следующим образом:

Если Mdl является явно созданной моделью (Mdl.ParamMap пуст []), расположить элементы Params чтобы соответствовать попаданиям поиска по столбцам NaNs в матрицах коэффициентов модели «состояние-пространство», среднем векторе начального состояния и ковариационной матрице.
- Если Mdl инвариантно ли время, порядок равен A, B, C, D, Mean0, и Cov0.
- Если Mdl изменяется во времени, порядок A{1} через A{end}, B{1} через B{end}, C{1} через C{end}, D{1} через D{end}, Mean0, и Cov0.
Если Mdl является неявно созданной моделью (Mdl.ParamMap является дескриптором функции), первый входной аргумент функции отображения параметра в матрицу определяет порядок элементов Params.

Если Mdl полностью указан, irfplot игнорирует Params.

Пример: Рассмотрим модель state-space Mdl с A = B = [NaN 0; 0 NaN] , C = [1; 1], D = 0и начальное состояние означает 0 с ковариацией eye(2). Mdl частично указан и явно создан. Поскольку параметры модели содержат в общей сложности четыре NaNs, Params должен быть вектором 4 на 1, где Params(1) - оценка A(1,1), Params(2) - оценка A(2,2), Params(3) - оценка B(1,1), и Params(4) - оценка B(2,2).

Типы данных: double

`'PlotU'` - Переменные возмущений состояния _до шока
вектор положительных целых чисел

Переменные возмущений состояния _до шока для графиков IRF, указанные как пара, разделенная запятыми, состоящая из 'PlotU' и вектор положительных целых чисел. Элементами являются индексы переменных возмущений состояния u1_,t, _u2, t,..._{, uk}, t.

По умолчанию irfplot шокирует все переменные нарушения состояния.

Пример: 'PlotU',[1 3] ударов u1,1 и u3,1, и irfplot строит графики полученных IRF.

Типы данных: double

`'PlotY'` - Измеряемые переменные IRF для построения графика
вектор положительных целых чисел | `[]`

Переменные измерения IRF для построения графика, указанные как пара, разделенная запятыми, состоящая из 'PlotY' и вектор положительных целых чисел. Элементами являются индексы измеряемых переменных y1_,t, _y2, t,..._{, yn}, t.

Если PlotY пуст [], irfplot не строит графики переменных IRF измерений.

По умолчанию irfplot строит график всех измеряемых переменных IRF.

Пример: 'PlotY',1 строит график IRF y1_,t.

Типы данных: double

`'PlotX'` - Переменные состояния IRF для построения графика
вектор положительных целых чисел | `[]`

Переменные состояния IRF для построения графика, указанные как пара, разделенная запятыми, состоящая из 'PlotX' и вектор положительных целых чисел. Элементами являются индексы переменных состояния x1_,t, _x2, t,..._{, xm}, t.

Если PlotX пуст [], irfplot не строит графики переменных состояния IRF.

По умолчанию irfplot строит графики всех переменных состояний IRF.

Пример: 'PlotX',[] не строит графики переменных состояния IRF.

Типы данных: double

`'Cumulative'` - Флаг для вычисления совокупной IRF
`false` (по умолчанию) | `true`

Флаг для вычисления совокупного значения IRF, указанного как значение в этой таблице.

Стоимость	Описание
`true`	`irfplot` вычисляет совокупный IRF всех переменных в указанном диапазоне времени.
`false`	`irfplot` вычисляет стандартную попериодическую IRF всех переменных в указанном диапазоне времени.

Пример: 'Cumulative',true

Типы данных: logical

`'Method'` - алгоритм оценки IRF
`'repeated-multiplication'` (по умолчанию) | `'eigendecomposition'`

Алгоритм оценки IRF, указанный как 'repeated-multiplication' или 'eigendecomposition'.

IRF-оценщик времени m содержит коэффициент Am. В этой таблице описаны поддерживаемые алгоритмы для вычисления мощности матрицы.

Стоимость Описание

'repeated-multiplication' irfplot использует рекурсивное умножение.

'eigendecomposition' irfplot пытается использовать спектральное разложение А для вычисления мощности матрицы. Укажите это значение, только если вы подозреваете, что алгоритм рекурсивного умножения может столкнуться с числовыми проблемами. Дополнительные сведения см. в разделе Алгоритмы.

Стоимость	Описание
`'repeated-multiplication'`	`irfplot` использует рекурсивное умножение.
`'eigendecomposition'`	`irfplot` пытается использовать спектральное разложение А для вычисления мощности матрицы. Укажите это значение, только если вы подозреваете, что алгоритм рекурсивного умножения может столкнуться с числовыми проблемами. Дополнительные сведения см. в разделе Алгоритмы.

Типы данных: string | char

Варианты оценки, связанные с доверием

`'EstParamCov'` - Оценочная ковариационная матрица неизвестных параметров
положительная полуопределенная числовая матрица

Оценочная ковариационная матрица неизвестных параметров в частично заданной модели состояния-пространства Mdl, указанная как положительная полуопределённая числовая матрица.

estimate возвращает матрицу ковариации оцененного параметра Mdl в соответствующей форме. Однако можно предоставить пользовательские оценки путем установки EstParamCov(i,j) к оценочной ковариации оценочных параметров Params(i) и Params(j), независимо от того, Mdl является инвариантным по времени или изменяющимся по времени.

Если Mdl полностью указан, irfplot игнорирует EstParamCov.

По умолчанию irfplot не оценивает доверительные границы.

Типы данных: double

`'NumPaths'` - Количество путей выборки Монте-Карло
`1000` (по умолчанию) | положительное целое число

Количество путей выборки Монте-Карло (испытаний), генерируемых для оценки доверительных границ, указанных как положительное целое число.

Пример: 'NumPaths',5000

Типы данных: double

`'Confidence'` - Уровень достоверности
`0.95` (по умолчанию) | числовой скаляр в [0,1]

Уровень достоверности для доверительных границ, заданный как числовой скаляр в интервале [0,1].

Для каждого периода случайным образом полученные доверительные интервалы охватывают истинный ответ 100*Confidence% времени.

Значение по умолчанию: 0.95, что подразумевает, что доверительные границы представляют 95% доверительные интервалы.

Типы данных: double

Выходные аргументы

`h` - Обработка графика для IRF и доверительных границ
матрица `Line` объекты

График обрабатывает IRF и доверительные границы, возвращаемые как 3-by-pU*(pY + pX) матрица Line объекты, где pU, pY, и pX - длины значений 'PlotU', 'PlotY', и 'PlotX' аргументы пары имя-значение соответственно.

Каждый столбец соответствует IRF комбинации возмущения состояния и переменной измерения или состояния. Для конкретного столбца строка 1 содержит дескриптор IRF, а строки 2 и 3 содержат дескрипторы нижнего и верхнего доверительных границ соответственно. В столбцах отображается информация в следующем порядке:

IRF всех измеряемых переменных PlotY(:) в результате шока до нарушения первого состояния PlotU(1).
IRF всех измеряемых переменных PlotY(:) в результате шока до нарушения второго состояния PlotU(2).
Продолжает отображение аналогично до irfplot достигает IRF, связанного с последним нарушением состояния PlotU(end).
Повторите шаги 1-3, но замените переменные измерения переменными состояния. PlotX.

h содержит уникальные идентификаторы графика, которые можно использовать для запроса или изменения свойств графиков.

Подробнее