Exponenta Banner
exponenta event banner

summarize

Обобщите переключающие порог результаты оценки модели динамической регрессии

свернуть все на странице

Синтаксис

summarize(Mdl)
summarize(Mdl,state)
results = summarize(___)

Описание

пример

summarize(Mdl) отображает сводные данные переключающей порог модели Mdl динамической регрессии.

  • Если Mdl предполагаемая модель, возвращенная estimateто summarize отображает результаты оценки к MATLAB® Командное окно. Отображение включает:

    • Описание модели

    • Предполагаемые пороговые переходы

    • Подходящая статистика, которая включает эффективный объем выборки, количество предполагаемых параметров подмодели и ограничений, логарифмической правдоподобности и информационных критериев (AIC и BIC)

    • Таблица оценок подмодели и выводов, который включает содействующие оценки со стандартными погрешностями, t - статистикой и p - значения.

  • Если Mdl непредполагаемая переключающая порог модель, возвращенная tsVAR, summarize распечатывает отображение стандартного объекта (то же отображение это tsVAR печать во время создания модели).

пример

summarize(Mdl,state) отображения только итоговая информация для подмодели с именем state.

пример

results = summarize(___) возвращает одну из следующих переменных с помощью любой из комбинаций входных аргументов в предыдущих синтаксисах.

  • Если Mdl предполагаемая переключающая порог модель, results таблица, содержащая оценки подмодели и выводы.

  • Если Mdl непредполагаемая модель, results tsVAR объект, который равен Mdl.

summarize не распечатывает к Командному окну

Примеры

свернуть все

Скрипт Open Live Script

Оцените точность оценки с помощью симулированных данных из известного генерирующего данные процесса (DGP). Этот пример использует произвольные значения параметров.

Создайте модель для DGP

Создайте дискретный пороговый переход в 1 среднего уровня.

ttDGP = threshold(1)
ttDGP = 
  threshold with properties:

          Type: 'discrete'
        Levels: 1
         Rates: []
    StateNames: ["1"    "2"]
     NumStates: 2

ttDGP threshold объект, представляющий механизм переключения состояния DGP.

Создайте следующую полностью заданную самовозбуждающуюся модель TAR (SETAR) для DGP.

  • Состояние 1: yt=εt.

  • Состояние 2: yt=2+εt.

  • εt∼Ν(0,1).

Задайте подмодели при помощи arima.

mdl1DGP = arima(Constant=0);
mdl2DGP = arima(Constant=2);
mdlDGP = [mdl1DGP mdl2DGP];

Поскольку инновационное распределение является инвариантным через состояния, tsVAR программное обеспечение игнорирует значение инновационного отклонения подмодели (Variance свойство.

Создайте переключающую порог модель для DGP. Задайте инновационное отклонение всей модели.

MdlDGP = tsVAR(ttDGP,mdlDGP,Covariance=1);

MdlDGP tsVAR объект, представляющий DGP.

Симулируйте пути к ответу от DGP

Сгенерируйте случайный путь к ответу длины 100 от DGP. По умолчанию, simulate принимает модель SETAR с задержкой d=1, другими словами, пороговая переменная yt-1.

rng(1) % For reproducibiliy
y = simulate(MdlDGP,100);

y 100 1 вектор из представления пути к симулированному отклику.

Создайте модель для оценки

Создайте частично заданную переключающую порог модель, которая имеет ту же структуру как генерирующий данные процесс, но задайте переход, среднего уровня, коэффициенты подмодели и константа всей модели как неизвестный для оценки.

tt = threshold(NaN);
mdl1 = arima('Constant',NaN);
mdl2 = arima('Constant',NaN);
Mdl = tsVAR(tt,[mdl1,mdl2],'Covariance',NaN);

Mdl частично заданный tsVAR объект, представляющий шаблон для оценки. NaN- ценные элементы Switch и Submodels свойства указывают на допускающие оценку параметры.

Mdl агностик пороговой переменной; tsVAR объектные функции позволяют вам задать пороговые характеристики переменной или данные.

Создайте пороговые переходы, содержащие начальные значения

Процедура оценки требует начальных значений для всех допускающих оценку пороговых параметров перехода.

Полностью задайте пороговый переход, который имеет ту же структуру как tt, но набор среднего уровня к 0. 

tt0 = threshold(0);

tt0 полностью заданный threshold объект.

Оценочная модель

Подбирайте модель к симулированному пути. По умолчанию модель сам, возбуждение и задержка пороговой переменной d=1. 

EstMdl = estimate(Mdl,tt0,y)
EstMdl = 
  tsVAR with properties:

         Switch: [1x1 threshold]
      Submodels: [2x1 varm]
      NumStates: 2
      NumSeries: 1
     StateNames: ["1"    "2"]
    SeriesNames: "1"
     Covariance: 1.0225

EstMdl полностью заданный tsVAR объект, представляющий предполагаемую модель SETAR.

Отобразите сводные данные оценки подмоделей.

summarize(EstMdl)
Description
1-Dimensional tsVAR Model with 2 Submodels

Switch
Transition Type: discrete
Estimated Levels: 1.128

Fit
Effective Sample Size: 99 
Number of Estimated Parameters: 2 
Number of Constrained Parameters: 0 
LogLikelihood: -141.574 
AIC: 287.149 
BIC: 292.339 

Submodels
                           Estimate    StandardError    TStatistic      PValue  
                           ________    _____________    __________    __________

    State 1 Constant(1)    -0.12774       0.13241        -0.96474        0.33467
    State 2 Constant(1)      2.1774       0.16829          12.939     2.7264e-38

Оценки близко к их истинным значениям.

Постройте предполагаемый механизм переключения с пороговыми данными, которые являются данными об ответе.

figure
ttplot(EstMdl.Switch,'Data',y)

Figure contains an axes object. The axes object with title Threshold Transitions contains 2 objects of type line.

Скрипт Open Live Script

Создайте следующую полностью заданную модель SETAR для DGP.

  • Состояние 1: [y1,ty2,t]=[-1-4]+[-0.50.10.2-0.75][y1,t-1y2,t-1]+[ε1,tε2,t].

  • Состояние 2: [y1,ty2,t]=[14]+[ε1,tε2,t].

  • Состояние 3:[y1,ty2,t]=[14]+[0.50.10.20.75][y1,t-1y2,t-1]+[ε1,tε2,t].

  • [ε1,tε2,t]∼N2([00],[2-1-11]).

  • Система находится в состоянии 1 когда y2,t-4<-3, система находится в состоянии 2 когда -3≤y2,t-4<3, и система находится в состоянии 3 в противном случае.

t = [-3 3];
ttDGP = threshold(t);
constant1 = [-1; -4];
constant2 = [1; 4];
constant3 = [1; 4];
AR1 = [-0.5 0.1; 0.2 -0.75];
AR3 = [0.5 0.1; 0.2 0.75];
Sigma = [2 -1; -1 1];
mdl1DGP = varm(Constant=constant1,AR={AR1});
mdl2DGP = varm(Constant=constant2);
mdl3DGP = varm(Constant=constant3,AR={AR3});
mdlDGP = [mdl1DGP; mdl2DGP; mdl3DGP];
MdlDGP = tsVAR(ttDGP,mdlDGP,Covariance=Sigma);

Отобразите сводные данные непредполагаемого DGP.

summarize(MdlDGP)
Mdl = 
  tsVAR with properties:

         Switch: [1x1 threshold]
      Submodels: [3x1 varm]
      NumStates: 3
      NumSeries: 2
     StateNames: ["1"    "2"    "3"]
    SeriesNames: ["1"    "2"]
     Covariance: [2x2 double]

summarize распечатывает отображение объекта.

Сгенерируйте случайный путь к ответу длины 500 от DGP. Укажите что вторая переменная отклика с задержкой 4 как пороговая переменная.

rng(10) % For reproducibiliy
y = simulate(MdlDGP,500,Index=2,Delay=4);

Создайте частично заданную переключающую порог модель, которая имеет ту же структуру как DGP, но задайте переход, среднего уровня, коэффициенты подмодели и ковариация всей модели как неизвестный для оценки.

tt = threshold([NaN; NaN]);
mdlar = varm(2,1);
mdlc = varm(2,0);
Mdl = tsVAR(tt,[mdlar; mdlc; mdlar],Covariance=nan(2));

Полностью задайте пороговый переход, который имеет ту же структуру как tt, но набор середина уровней к-1 и 1. 

t0 = [-1 1];
tt0 = threshold(t0);

Подбирайте переключающую порог модель к симулированному ряду. Задайте пороговую переменную y2,t-4. Постройте логарифмическую правдоподобность после каждой итерации порогового алгоритма поиска.

EstMdl = estimate(Mdl,tt0,y,IterationPlot=true,Index=2,Delay=4);

Figure contains an axes object. The axes object with title Threshold Search Algorithm contains an object of type line.

График отображает эволюцию логарифмической правдоподобности, когда процедура оценки ищет оптимальные уровни. Процедура завершает работу, когда одному из критерия остановки удовлетворяют.

Отобразите сводные данные оценки для состояния 3 только.

summarize(EstMdl,3)
Description
2-Dimensional VAR Submodel, State 3

Submodel
                           Estimate    StandardError    TStatistic      PValue  
                           ________    _____________    __________    __________

    State 3 Constant(1)     1.0621       0.095701         11.098      1.2802e-28
    State 3 Constant(2)     3.8707       0.068772         56.284               0
    State 3 AR{1}(1,1)     0.47396       0.058016         8.1694      3.0997e-16
    State 3 AR{1}(2,1)     0.23013       0.041691         5.5199      3.3927e-08
    State 3 AR{1}(1,2)     0.10561       0.018233         5.7924      6.9371e-09
    State 3 AR{1}(2,2)      0.7568       0.013102         57.761               0
Скрипт Open Live Script

Создайте дискретный пороговый переход в 1 среднего уровня.

ttDGP = threshold(1)
ttDGP = 
  threshold with properties:

          Type: 'discrete'
        Levels: 1
         Rates: []
    StateNames: ["1"    "2"]
     NumStates: 2

Создайте следующую полностью заданную самовозбуждающуюся модель TAR (SETAR) для DGP.

  • Состояние 1: yt=εt.

  • Состояние 2: yt=2+εt.

  • εt∼Ν(0,1).

Задайте подмодели при помощи arima.

mdl1DGP = arima(Constant=0);
mdl2DGP = arima(Constant=2);
mdlDGP = [mdl1DGP mdl2DGP];

Создайте переключающую порог модель для DGP. Задайте инновационное отклонение всей модели.

MdlDGP = tsVAR(ttDGP,mdlDGP,Covariance=1);

Сгенерируйте случайный путь к ответу длины 100 от DGP. По умолчанию симулируйте, принимает модель SETAR с задержкой d=1, другими словами, пороговая переменная является yt-1.

rng(1) % For reproducibiliy
y = simulate(MdlDGP,100);

Создайте частично заданную переключающую порог модель, которая имеет ту же структуру как генерирующий данные процесс, но задайте переход, среднего уровня, коэффициенты подмодели и константа всей модели как неизвестный для оценки.

tt = threshold(NaN);
mdl1 = arima('Constant',NaN);
mdl2 = arima('Constant',NaN);
Mdl = tsVAR(tt,[mdl1,mdl2],'Covariance',NaN);

Полностью задайте пороговый переход, который имеет ту же структуру как tt, но устанавливает среднего уровня на 0. 

tt0 = threshold(0);

Подбирайте модель к симулированному пути. По умолчанию модель сам, возбуждение и задержка пороговой переменной d=1. 

EstMdl = estimate(Mdl,tt0,y);

Возвратите сводную таблицу оценки.

results = summarize(EstMdl)
results=2×4 table
                           Estimate    StandardError    TStatistic      PValue  
                           ________    _____________    __________    __________

    State 1 Constant(1)    -0.12774       0.13241        -0.96474        0.33467
    State 2 Constant(1)      2.1774       0.16829          12.939     2.7264e-38

results таблица, содержащая оценки и выводы для всех коэффициентов подмодели.

Идентифицируйте значительные содействующие оценки.

results.Properties.RowNames(results.PValue < 0.05)
ans = 1x1 cell array
    {'State 2 Constant(1)'}

Входные параметры

свернуть все

Переключающая порог модель динамической регрессии в виде tsVAR объект, возвращенный estimate или tsVAR.

Состояние, чтобы подвести итог в виде целого числа в 1:Mdl.NumStates или имя состояния в Mdl.StateNames.

Значение по умолчанию обобщает все состояния.

Пример: summarize(Mdl,3) обобщает третье состояние в Mdl.

Пример: summarize(Mdl,"Recession") подводит итог состояние пометило "Recession" в Mdl.

Типы данных: double | char | string

Выходные аргументы

свернуть все

Сводные данные модели, возвращенные как таблица или tsVAR объект.

  • Если Mdl предполагаемая переключающая порог модель, возвращенная estimate, results таблица итоговой информации для оценок параметра подмодели. Каждая строка соответствует коэффициенту подмодели. Столбцы соответствуют оценке (Estimate), стандартная погрешность (StandardError), t - статистическая величина (TStatistic), и p - значение (PValue).

    Когда сводные данные включают все состояния (значение по умолчанию), results.Properties хранит следующую подходящую статистику:

    Поле Описание
    DescriptionИтоговое описание модели (вектор символов)
    EffectiveSampleSizeЭффективный объем выборки (числовой скаляр)
    NumEstimatedParametersКоличество предполагаемых параметров (числовой скаляр)
    NumConstraintsКоличество ограничений равенства (числовой скаляр)
    LogLikelihoodОптимизированное значение логарифмической правдоподобности (числовой скаляр)
    AICКритерий информации о Akaike (числовой скаляр)
    BICБайесов информационный Критерий (числовой скаляр)

  • Если Mdl непредполагаемая модель, results tsVAR объект, который равен Mdl.

Примечание

Когда results таблица, она содержит только оценки параметра подмодели:

  • Mdl.Switch содержит оценки пороговых переходов.

  • Переключающие порог модели могут иметь одну или несколько остаточных ковариационных матриц. Когда Mdl имеет ковариацию всей модели, Mdl.Covariance содержит предполагаемую остаточную ковариацию. В противном случае, Mdl. Подмодели (jКовариация содержит предполагаемую остаточную ковариацию j состояния. Для получения дополнительной информации смотрите tsVAR.

Алгоритмы

estimate поисковые запросы по уровням и уровням для предполагаемых пороговых переходов при решении условной задачи наименьших квадратов для параметров подмодели, как описано в [2]. Стандартные погрешности, логарифмическая правдоподобность и информационные критерии являются условным выражением на оптимальных значениях параметров в предполагаемых пороговых переходах Mdl.Switch. В частности, стандартные погрешности не составляют изменение предполагаемых уровней и уровней.

Ссылки

[1] Teräsvirta, Tima. "Моделируя экономические отношения с регрессиями плавного перехода". В А. Аллэхэнде и D.E.A. Джайлс (редакторы)., руководство прикладной экономической статистики, 507 — 552. Нью-Йорк: Марсель Деккер, 1998.

[2] ван Дейк, Дик. Модели Плавного перехода: Расширения и Выброс Устойчивый Вывод. Роттердам, Нидерланды: Ряд Исследования Института Тинбергена, 1999.

Смотрите также

Объекты

Функции

Введенный в R2021b

Документация Econometrics Toolbox

Поддержка