Чтобы создать модель из нескольких данных временных рядов, выберите форму модели VAR и подгоните параметры к данным. Когда у вас будет подобранная модель, проверяйте, подходит ли модель данным адекватно.
Чтобы соответствовать модели данным, вы должны иметь:
Данные временных рядов, как описано в Многомерных данных временных рядов
По крайней мере, одна структура спецификации модели временных рядов, как описано в создании модели векторной авторегрессии (VAR)
Существует несколько функций Econometrics Toolbox™, которые помогают этим задачам, включая:
estimate, который подходит для моделей VARX.
summarize, который отображает и возвращает оценки параметров и другую сводную статистику от подбора кривой модели.
lratiotest и aicbic, что может помочь определить количество лагов для включения в модель.
infer, что выводит невязки модели для диагностической проверки.
forecast, который создает прогнозы, которые могут использоваться для проверки адекватности подгонки, как описано в VAR Model Forecasting, симуляция и Analysis
estimate выполняет оценку параметра только для моделей VAR и VARX. Для определений этих терминов и других определений модели смотрите Типы стационарных многомерных Временных рядов моделей. Для примера подбора кривой модели VAR к данным смотрите Подгонку модели VAR ИПЦ и уровня безработицы.
Прежде чем подгонять модель к данным, estimate требует по крайней мере Mdl.PMdl является varmобъект модели - свойство, сохраняющее степень модели. Можно задать свои собственные предварительные наблюдения с помощью 'Y0' аргумент пары "имя-значение". Или, по умолчанию, estimate принимает первое Mdl.PY которые не содержат отсутствующих значений. Поэтому, если вы позволяете estimate взять необходимые предварительные наблюдения из входных данных отклика Y, затем уменьшается эффективный размер образца.
estimate находит максимальные оценки правдоподобия параметров, присутствующих в модели. В частности, estimate оценивает параметры, соответствующие этим varm свойства модели: Constant, AR, Trend, Beta, и Covariance. Для моделей VAR, estimate использует алгоритм прямого решения, который не требует итераций. Для моделей VARX, estimate оптимизирует вероятность с помощью алгоритма ECM. Итерации обычно сходятся быстро, если только два или более экзогенных потоков данных не пропорциональны друг другу. В этом случае нет уникального максимального оценщика правдоподобия, и итерации могут не сходиться. Можно задать максимальное количество итераций с MaxIterations Аргумент пары "имя-значение" из estimate, которое имеет значение по умолчанию 1000.
estimate удаляет целые наблюдения из данных, содержащих, по крайней мере, одно отсутствующее значение (NaN). Для получения дополнительной информации см. estimate.
estimate вычисляет логарифмическую правдоподобность данных, давая ее как выход подобранной модели. Используйте этот выход при проверке качества модели. Для получения примера смотрите Выбор соответствующего порядка задержки и Исследование устойчивости подобранной модели.
Когда вы вводите имя подобранной модели в командной строке, вы получаете сводные данные объекта. В Description строка сводных данных, varm указывает, является ли модель VAR стабильной или стационарной.
Другой способ определения стационарности модели VAR - создать полиномиальный объект оператора задержки с помощью предполагаемых коэффициентов авторегрессии (см LagOP), а затем передав оператор задержки в isStable. Например, предположим EstMdl является оценочной моделью VAR. Следующее показывает, как определить стабильность модели с помощью полиномиальных объектов оператора задержки. Наблюдайте за этим LagOp требует коэффициента задержки 0.
ar = [{eye(3)} ar]; % Include the lag 0 coefficient.
Mdl = LagOp(ar);
Mdl = reflect(Mdl); % Negate all lags > 0
isStable(Mdl)Если модель VAR стабильна, то isStable возвращает логическое значение 1, и 0 в противном случае. Компоненты регрессии могут дестабилизировать в противном случае стабильную модель VAR. Однако можно использовать процесс, чтобы определить стабильность полинома VAR в модели.
Стабильные модели дают надежные результаты, в то время как нестабильные таковые могут не дать.
Стабильность и обратимость эквивалентны всем собственным значениям связанных операторов задержки, имеющих модуль менее 1. Действительно, isStable оценивает эти величины путем вычисления собственных значений. Для получения дополнительной информации смотрите isStable или Гамильтон [90].