乐趣区

关于数据挖掘:Matlab创建向量自回归VAR模型分析消费者价格指数-CPI-和失业率时间序列

原文链接:http://tecdat.cn/?p=24365 

形容

var 对象指定了 p 阶安稳的多变量向量自回归模型(VAR(p))模型的函数模式并存储了参数值。

varm 对象的要害组成部分 包含工夫序列的数量和多元自回归多项式 (p ) 的阶数,因为它们齐全指定了模型构造。其余模型组件包含将雷同的外生预测变量与每个序列相关联的回归成分,以及常数和工夫趋势项。

例子

创立和批改默认模型

创立一个由一个序列组成的零阶 VAR 模型。

Mdl 是一个 varm 模型对象。它蕴含一个序列、一个未知常数和一个未知方差。模型的属性呈现在命令行中。

假如您的问题在滞后 1 处有一个自回归系数。要创立这样的模型,请将自回归系数属性 (AR) 设置为蕴含 NaN 应用点表示法的值的单元格。

如果您的问题蕴含多个序列,则应用不同的语法来创立模型。

为参数估计创立 VAR(4) 模型

为消费者价格指数 (CPI) 和失业率创立 VAR(4) 模型。

申明 CPI 和失业率变量。

cpi  DCP;
ura = aaTeUAE;

创立默认的 VAR(4) 模型。

var(2,4)

Mdl 是一个 varm 模型对象。例如,该 Constant 属性是一个 2×1 的 NaN 值向量。因而,模型常数是要预计的流动模型参数。

通过将 Trend 属性设置为 NaN, 应用点表示法来 蕴含未知的线性工夫趋势项。

扩大 NaN 到适当的长度,即一个 2×1 的 NaN 值向量。

指定 VAR 模型的所有参数值

为三个任意序列创立一个 VAR 模型。指定此方程组中的参数值。

y1,t=1+0.2y1,t−1−0.1y2,t−1+0.5y3,t−1+1.5t+ε1,ty2,t=1−0.4y1,t−1+0.5y2,t− 1+2t+ε2,ty3,t=−0.1y1,t−1+0.2y2,t−1+0.3y3,t−1+ε3,t。

假如是多元高斯分布,均值为 0,协方差矩阵

Σ = 0.10.010.30.010.500.301。

为参数值创立变量。

应用适当的名称 - 值对参数创立一个 VAR(1) 模型对象,示意动静方程组。

var('Coan',cAR',i1're,dta,ovaice'Sa)

Mdl 是一个齐全指定的 varm 模型对象。默认状况下,varm 将自回归系数归因于第一个滞后。

您能够应用圆点表示法调整模型属性。例如,思考另一个 VAR 模型,该模型将自回归系数矩阵归因于 Phi1 第二个滞后项,为第一个滞后系数指定一个零矩阵,并将所有其余项视为等于 Mdl。创立此 VAR(2) 模型。

M2R= Phi

或者,您能够应用 varm 与 for 雷同的语法 创立另一个模型对象 Mdl,但另外指定 'Lags',2.

预计的 VAR (4) 模型

将 VAR(4) 模型拟合到消费者价格指数 (CPI) 和失业率数据。

在不同的图上绘制两个序列。

figure;
plot(atal.Te,DaTa.);

figure;
plot(DaTTie,DatTE);

通过将 CPI 转换为一系列增长率来稳固 CPI。通过从失业率序列中删除第一个观测值来同步这两个序列。

prce2rt(DaTlL);

创立默认的 VAR(4) 模型。

Mdl 是一个 var 模型对象。所有蕴含 NaN 值的属性都 对应于给定数据要预计的参数。

应用整个数据集预计模型。

estate(Mdl)

EstMdl 是一个预计的 varm 模型对象。它是齐全指定的,因为所有参数都有已知值。阐明表明自回归多项式是安稳的。

显示预计的汇总统计信息。

summari

 

VAR(4) 模型的预测

创立并预计 CPI 增长率和失业率的 VAR(4) 模型。将最初十个期间视为预测范畴。

cp = pre2rt(ci);

EMl = estme(dl,Y(1(end-10),:));

应用预计模型和样本内数据作为样本前察看预测 10 个数据。

freca(Estl);

在独自的图上绘制带有预测值的序列局部。

plot(Tie(ed - 50:ed),ci(nd - 50:ed));

plot(Time(nd - 50:ed),ue(ed - 50:ed));


 

最受欢迎的见解

1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测

2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析

3. 应用 r 语言进行工夫序列(arima,指数平滑)剖析

4.r 语言多元 copula-garch- 模型工夫序列预测

5.r 语言 copulas 和金融工夫序列案例

6. 应用 r 语言随机稳定模型 sv 解决工夫序列中的随机稳定

7.r 语言工夫序列 tar 阈值自回归模型

8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类

9.python3 用 arima 模型进行工夫序列预测

退出移动版