向量自回归，向量自回归 matlab

1，向量自回归 matlab

matlab 支持向量机只能是单输出，输入的数目没有限制，如果是多输出的话，你可以针对每个输出分别建立一个支持向量机，然后分别对应每个输出进行预测。这样就相当于是多输入多输出了

向量自回归 matlab

2，sims 向量自回归模型出自哪里

向量自回归模型，英文名称:autoregressive model (简称自回归模型 VAR模型)是一种常用的计量经济模型，由克里斯托弗·西姆斯(Christopher Sims)提出。定义:利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型。

sims 向量自回归模型出自哪里

3，向量自回归模型的问题

向量自回归模型（简称var模型）是一种常用的计量经济模型，由克里斯托弗·西姆斯（christopher sims）提出。它是ar模型的推广。

你的这个有好几个变量，是不是应该建多元回归模型啊？自回归是一个变量自己跟自己的滞后项进行回归。在eviews中，可以做MA模型、AR模型和ARMA模型。一个变量建立自回归的时候，首先观察一个变量的线图是否平稳，如果发现没有趋势上的变化，只是在一个值附近的波动则可以认为平稳，再对该变量进行单位根检验，如果检验结果的统计量，小于右边给出的显著性水平下的临界值，则认为它平稳可以建立自回归。如果不平稳，对这个变量做差分，一般有一阶差分和二阶差分，也是先验证其平稳性。如果平稳了，观察它的偏相关与自相关图，选择合适的模型，建立时间序列自回归模型。如果是在多元回归方程中引入某个变量的滞后项，如对y建立p和q的一阶延迟q(-1)的回归方程，在输入命令时直接输ls y c p q(1)就可以。我是学统计经济分析的，这学期刚学的初级计量经济学和时间序列，仅有些粗浅的了解，希望有所帮助。建议找一本计量经济学和eviews操作的书，我们学的是李子奈的《计量经济学》，里面有一章专讲时间序列。

向量自回归模型的问题

4，如何在向量自回归中寻找结构向量自回归的条件

超级通俗的解释：支持向量机是用来解决分类问题的。先考虑最简单的情况，豌豆和米粒，用晒子很快可以分开，小颗粒漏下去，大颗粒保留。用一个函数来表示就是当直径d大于某个值D，就判定为豌豆，小于某个值就是米粒。d>D, 豌豆d在数轴上就是在d左边就是米粒，右边就是绿豆，这是一维的情况。但是实际问题没这么简单，考虑的问题不单单是尺寸，一个花的两个品种，怎么分类？假设决定他们分类的有两个属性，花瓣尺寸和颜色。单独用一个属性来分类，像刚才分米粒那样，就不行了。这个时候我们设置两个值尺寸x和颜色y.我们把所有的数据都丢到x-y平面上作为点，按道理如果只有这两个属性决定了两个品种，数据肯定会按两类聚集在这个二维平面上。我们只要找到一条直线，把这两类划分开来，分类就很容易了，以后遇到一个数据，就丢进这个平面，看在直线的哪一边，就是哪一类。比如x+y-2=0这条直线，我们把数据(x,y)代入，只要认为x+y-2>0的就是A类，x+y-2<0的就是B类。以此类推，还有三维的，四维的，N维的属性的分类，这样构造的也许就不是直线，而是平面，超平面。一个三维的函数分类：x+y+z-2=0，这就是个分类的平面了。有时候，分类的那条线不一定是直线，还有可能是曲线，我们通过某些函数来转换，就可以转化成刚才的哪种多维的分类问题，这个就是核函数的思想。例如：分类的函数是个圆形x^2+y^2-4=0。这个时候令x^2=a; y^2=b,还不就变成了a+b-4=0 这种直线问题了。这就是支持向量机的思想。机的意思就是算法，机器学习领域里面常常用“机”这个字表示算法支持向量意思就是数据集种的某些点，位置比较特殊，比如刚才提到的x+y-2=0这条直线，直线上面区域x+y-2>0的全是A类，下面的x+y-2<0的全是B类，我们找这条直线的时候，一般就看聚集在一起的两类数据，他们各自的最边缘位置的点，也就是最靠近划分直线的那几个点，而其他点对这条直线的最终位置的确定起不了作用，所以我姑且叫这些点叫“支持点”（意思就是有用的点），但是在数学上，没这种说法，数学里的点，又可以叫向量，比如二维点(x,y)就是二维向量，三维度的就是三维向量（ x,y,z)。所以 “支持点”改叫“支持向量”，听起来比较专业，NB。所以就是支持向量机了。

你的这个有好几个变量，是不是应该建多元回归模型啊？自回归是一个变量自己跟自己的滞后项进行回归。在eviews中，可以做ma模型、ar模型和arma模型。一个变量建立自回归的时候，首先观察一个变量的线图是否平稳，如果发现没有趋势上的变化，只是在一个值附近的波动则可以认为平稳，再对该变量进行单位根检验，如果检验结果的统计量，小于右边给出的显著性水平下的临界值，则认为它平稳可以建立自回归。如果不平稳，对这个变量做差分，一般有一阶差分和二阶差分，也是先验证其平稳性。如果平稳了，观察它的偏相关与自相关图，选择合适的模型，建立时间序列自回归模型。如果是在多元回归方程中引入某个变量的滞后项，如对y建立p和q的一阶延迟q(-1)的回归方程，在输入命令时直接输ls y c p q(1)就可以。我是学统计经济分析的，这学期刚学的初级计量经济学和时间序列，仅有些粗浅的了解，希望有所帮助。建议找一本计量经济学和eviews操作的书，我们学的是李子奈的《计量经济学》，里面有一章专讲时间序列。

5，如何用R做向量自回归模型

请问如何用R做向量自回归模型（VAR）要实现以下的几个步骤，数据集已经有了，请高手们可以介绍下相关的函数吗？halfyear_vector=data.frame(hsi_ir_h_ts,cenlhkl_ir_h_ts,m2_h_ts,ue_h_ts,cpi_h_ts,exp_h_ts,gdp_h_ts)halfyear_vector=ts(halfyear_vector,start=c(1995,1),frequency=2)halfyear_vectorplot(halfyear_vector,plot.type="single",lty=1:7,col=1:7)title("key indicators")legend("topleft",c("hsi_ir_h_ts","cenlhkl_ir_h_ts","m2_h_ts","ue_h_ts","cpi_h_ts","exp_h_ts","gdp_h_ts"),lty=1:7,col=1:7)#稳定性检验for (i in 1:7)print(kpss.test(halfyear_vector[,i],null="Level"))print(kpss.test(halfyear_vector[,i],null="Trend"))print(kpss.test(diff(halfyear_vector[,i]),null="Level"))print(kpss.test(diff(halfyear_vector[,i]),null="Trend"))}#需求一：进行ADF检验#格兰杰因果检验granger.test(halfyear_vector,p=7)#需求二：进行指标共线性判断#需求三：进行VAR阶数判断#VAR模型拟合halfyear_VAR=VAR(halfyear_vector,p=3,type="both")halfyear_VAR#需求四：价模型的稳定性、自相关性，异方差检验#需求五：导出VAR模型#VAR模型预测halfyear_VAR_Predict=predict(halfyear_VAR,n.head=1,ci=0.9999) plot(halfyear_VAR_Predict)#需求六：计算95%,99%,99.9%分位数的预测取值------------DM小菜鸟本帖最后由 DM小菜鸟于 2015-2-26 15:27 编辑1. 用tseries包里面的adf.test()2. 可以计算X矩阵的秩qr(X)$rank，如果不是满秩的，说明其中有Xi可以用其他的X的线性组合表示；也可以计算条件数kappa(X)，k<100,说明共线性程度小，如果100<k<1000,有较强的多重共线性，k>1000，存在严重的多重共线性。可以进行逐步回归，用step()命令，比如你一开始的模型是fm，step(fm)就可以了3. adf.test()里面就可以设滞后项的判断，adf.test(x, alternative = c("stationary", "explosive"),k = trunc((length(x)-1)^(1/3)))AIC准则——计算AIC统计量，模型的残差平方和（SS）除以样本容量（n），再取对数，加上2倍的解释变量个数(k)除以样本容量.AIC=log(SS/n)+2*k/n寻找某一k值是AIC达到极小值，则k就是最优滞后阶数。SC准则——SC=log(SS/n)+log(n)*k/n 4. R里有两种检验方法是常用的，LiMcLeod还可以把序列平方之后再检验自相关性。。。也相当于进行了异方差检验。。。自相关检验可以通过ACF图，函数是acf{}里面的是package的名字