В эконометрике и других применений многомерного анализа временных рядов , A разложение дисперсии или разложение дисперсии ошибки прогноза ( FEVD ) используется для помощи в интерпретации вектора авторегрессии (VAR) модели , как только она была установлена. [1] дисперсия разложение указует количество информации каждый переменный вносит свой вклад в других переменных в авторегрессии. Он определяет, какая часть дисперсии ошибки прогноза каждой из переменных может быть объяснена экзогенными шоками для других переменных.
Расчет дисперсии ошибки прогноза [ править ] Для VAR (p) формы
y т знак равно ν + А 1 y т - 1 + ⋯ + А п y т - п + ты т {\ displaystyle y_ {t} = \ nu + A_ {1} y_ {t-1} + \ dots + A_ {p} y_ {tp} + u_ {t}} .Это можно изменить на структуру VAR (1), записав ее в сопутствующей форме (см. Общую матричную нотацию VAR (p) )
Y т знак равно V + А Y т - 1 + U т {\ Displaystyle Y_ {t} = V + AY_ {t-1} + U_ {t}} где А знак равно [ А 1 А 2 … А п - 1 А п я k 0 … 0 0 0 я k 0 0 ⋮ ⋱ ⋮ ⋮ 0 0 … я k 0 ] {\ 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}}} , , И Y знак равно [ y 1 ⋮ y п ] {\ Displaystyle Y = {\ begin {bmatrix} y_ {1} \\\ vdots \\ y_ {p} \ end {bmatrix}}} V знак равно [ ν 0 ⋮ 0 ] {\displaystyle V={\begin{bmatrix}\nu \\0\\\vdots \\0\end{bmatrix}}} U t = [ u t 0 ⋮ 0 ] {\displaystyle U_{t}={\begin{bmatrix}u_{t}\\0\\\vdots \\0\end{bmatrix}}} где , и являются мерными векторами - столбцов, является по одномерной матрице и , и являются мерными векторами - столбцов. y t {\displaystyle y_{t}} ν {\displaystyle \nu } u {\displaystyle u} k {\displaystyle k} A {\displaystyle A} k p {\displaystyle kp} k p {\displaystyle kp} Y {\displaystyle Y} V {\displaystyle V} U {\displaystyle U} k p {\displaystyle kp}
Среднеквадратичная ошибка h-шагового прогноза переменной равна j {\displaystyle j}
M S E [ y j , t ( h ) ] = ∑ i = 0 h − 1 ∑ l = 1 k ( e j ′ Θ i e l ) 2 = ( ∑ i = 0 h − 1 Θ i Θ i ′ ) j j = ( ∑ i = 0 h − 1 Φ i Σ u Φ i ′ ) j j , {\displaystyle \mathbf {MSE} [y_{j,t}(h)]=\sum _{i=0}^{h-1}\sum _{l=1}^{k}(e_{j}'\Theta _{i}e_{l})^{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
e j {\displaystyle e_{j}} является j- м столбцом, а нижний индекс относится к этому элементу матрицы I k {\displaystyle I_{k}} j j {\displaystyle jj} Θ i = Φ i P , {\displaystyle \Theta _{i}=\Phi _{i}P,} где представляет собой нижнюю треугольную матрицу , полученный путем разложения Холецкого из таких , что , где есть ковариационная матрица ошибок P {\displaystyle P} Σ u {\displaystyle \Sigma _{u}} Σ u = P P ′ {\displaystyle \Sigma _{u}=PP'} Σ u {\displaystyle \Sigma _{u}} u t {\displaystyle u_{t}} Φ i = J A i J ′ , {\displaystyle \Phi _{i}=JA_{i}J',} где так , что это по двухмерной матрице. J = [ I k 0 … 0 ] , {\displaystyle J={\begin{bmatrix}\mathbf {I} _{k}&0&\dots &0\end{bmatrix}},} J {\displaystyle J} k {\displaystyle k} k p {\displaystyle kp} Величина дисперсии ошибки прогноза переменной, учитываемой экзогенными шоками, по отношению к переменной определяется выражением j {\displaystyle j} l {\displaystyle l} ω j l , h , {\displaystyle \omega _{jl,h},}
ω j l , h = ∑ i = 0 h − 1 ( e j ′ Θ i e l ) 2 / M S E [ y j , t ( h ) ] . {\displaystyle \omega _{jl,h}=\sum _{i=0}^{h-1}(e_{j}'\Theta _{i}e_{l})^{2}/MSE[y_{j,t}(h)].} Эта статья
требует дополнительных ссылок для проверки .
Пожалуйста, помогите улучшить эту статью , добавив цитаты из надежных источников . Материал, не полученный от источника, может быть оспорен и удален. Найдите источники: «Разложение на дисперсию ошибок прогноза» - новости · газеты · книги · ученый · JSTOR ( март 2011 г. ) ( Узнайте, как и когда удалить это сообщение-шаблон )
^ Lütkepohl, H. (2007) Новое введение в анализ множественных временных рядов , Springer. п. 63.