Разложение ошибок прогноза по дисперсии - Википедия - Variance decomposition of forecast errors

В эконометрика и другие приложения многомерного анализ временных рядов, а разложение дисперсии или же разложение дисперсии ошибки прогноза (FEVD) используется, чтобы помочь в интерпретации векторная авторегрессия (VAR) после установки.^[1] В отклонение декомпозиция указывает количество информации, которую каждая переменная вносит в другие переменные в авторегрессии. Он определяет, какая часть дисперсии ошибки прогноза для каждой из переменных может быть объяснена экзогенными шоками для других переменных.

Расчет дисперсии ошибки прогноза

Для VAR (p) формы

${ displaystyle y_ {t} = nu + A_ {1} y_ {t-1} + dots + A_ {p} y_ {t-p} + u_ {t}}$ .

Ее можно изменить на структуру VAR (1), записав ее в сопутствующей форме (см. общая матричная запись VAR (p) )

${ Displaystyle Y_ {t} = V + AY_ {t-1} + U_ {t}}$ куда

${ displaystyle A = { begin {bmatrix} A_ {1} & A_ {2} & dots & A_ {p-1} & A_ {p} mathbf {I} _ {k} & 0 & dots & 0 & 0 0 & mathbf {I} _ {k} && 0 & 0 vdots && ddots & vdots & vdots 0 & 0 & dots & mathbf {I} _ {k} & 0 end {bmatrix}}}$ , ${ displaystyle Y = { begin {bmatrix} y_ {1} vdots y_ {p} end {bmatrix}}}$, ${ displaystyle V = { begin {bmatrix} nu 0 vdots 0 end {bmatrix}}}$ и ${ displaystyle U_ {t} = { begin {bmatrix} u_ {t} 0 vdots 0 end {bmatrix}}}$

куда ${ displaystyle y_ {t}}$, ${ displaystyle nu}$ и ${ displaystyle u}$ находятся ${ displaystyle k}$ размерные векторы-столбцы, ${ displaystyle A}$ является ${ displaystyle kp}$ к ${ displaystyle kp}$ размерная матрица и ${ displaystyle Y}$, ${ displaystyle V}$ и ${ displaystyle U}$ находятся ${ displaystyle kp}$ размерные векторы-столбцы.

Среднеквадратичная ошибка h-шагового прогноза переменной ${ displaystyle j}$ является

${ displaystyle mathbf {MSE} [y_ {j, t} (h)] = sum _ {i = 0} ^ {h-1} sum _ {k = 1} ^ {K} (e_ {j } ' Theta _ {i} e_ {k}) ^ {2} = { bigg (} sum _ {i = 0} ^ {h-1} Theta _ {i} Theta _ {i}' { bigg)} _ {jj} = { bigg (} sum _ {i = 0} ^ {h-1} Phi _ {i} Sigma _ {u} Phi _ {i} '{ bigg)} _ {jj},}$

и где

• ${ displaystyle e_ {j}}$ это j^th столбец ${ displaystyle I_ {K}}$ и нижний индекс ${ displaystyle jj}$ относится к этому элементу матрицы

• ${ Displaystyle Theta _ {я} = Phi _ {я} P,}$ куда ${ displaystyle P}$ - нижнетреугольная матрица, полученная Разложение Холецкого из ${ displaystyle Sigma _ {u}}$ такой, что ${ displaystyle Sigma _ {u} = PP '}$, куда ${ displaystyle Sigma _ {u}}$ ковариационная матрица ошибок ${ displaystyle u_ {t}}$

• ${ displaystyle Phi _ {i} = JA_ {i} J ',}$ куда ${ displaystyle J = { begin {bmatrix} mathbf {I} _ {k} & 0 & dots & 0 end {bmatrix}},}$ так что ${ displaystyle J}$ это ${ displaystyle k}$ к ${ displaystyle kp}$ размерная матрица.

Величина дисперсии ошибки прогноза переменной ${ displaystyle j}$ объясняется экзогенными шоками до переменных ${ displaystyle k}$ дан кем-то ${ displaystyle omega _ {jk, h},}$

${ displaystyle omega _ {jk, h} = sum _ {i = 0} ^ {h-1} (e_ {j} ' Theta _ {i} e_ {k}) ^ {2} / MSE [ y_ {j, t} (h)].}$

Эта статья нужны дополнительные цитаты для проверка. Пожалуйста помоги улучшить эту статью к добавление цитат в надежные источники. Материал, не полученный от источника, может быть оспорен и удален Найдите источники: «Дисперсионная декомпозиция ошибок прогноза»  – Новости  · газеты  · книги  · ученый  · JSTOR (Март 2011 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Смотрите также

• Дисперсионный анализ

Примечания