相关视频
创建模型进行估计
通过指定转移矩阵和两个区制的AR(0)(仅常数)子模型的两状态离散时间马尔可夫链,为朴素估计量创建马尔可夫转换动态回归模型。标记状态。
html
加载和预处理数据
加载GDP数据集。
包含1947:Q1-2005:Q2期间实际GDP的季度数据。估计周期 为1947:Q2-2004:Q2。
通过以下方式将数据转换为年度序列:
在估计期内将数据转换为季度比率
将季度比率年度化
html
估计模型
模型拟合 年利率序列 。
html
是估计的(完全指定的)马尔可夫转换动态回归模型。 是估计的离散时间马尔可夫链模型( 对象), 是估计的单变量VAR(0)模型( 对象)的向量。
显示估计的特定于状态的动态模型。
html
html
显示估计的状态转移矩阵。
html
估计后的EM算法
在估计马尔可夫转换动态回归模型中考虑模型和数据 。
创建部分指定模型进行估计。
创建完全指定的模型,其中包含估计过程的初始参数值。
加载并预处理数据。
html
使模型拟合数据。当估计过程终止时,绘制对数似然比与迭代步骤。
html
使模型拟合模拟数据
使用来自已知数据生成过程(DGP)的模拟数据评估估计准确性。本示例使用任意参数值。
为DGP创建模型
为转换区制创建一个完全指定的两状态离散时间马尔可夫链模型。
html
对于每个状态,为过程创建一个完全指定的AR(1)模型。
html
为DGP创建完全指定的Markov转换动态回归模型。
模拟来自DGP的路径
从DGP生成10条长度为1000的随机路径。
html
是模拟的1000 x 10矩阵。
创建估计模型
创建一个部分指定的马尔可夫转换动态回归模型,该模型具有与数据生成过程相同的结构,但是指定了未知的转移矩阵和未知的子模型系数。
创建包含初始值的模型
创建一个完全指定的马尔可夫转换动态回归模型,该模型具有与相同的结构 ,但是将所有可估计的参数都设置为初始值。
html
估计模型
使模型拟合每个模拟路径。对于每条路径,在EM算法的每次迭代中绘制对数似然图。
html
领取专属 10元无门槛券
私享最新 技术干货