宏觀經濟學
當通過 OLS 估計 VAR(1) 時,我得到了 AR 矩陣的轉置。為什麼?
模型: $ y_t = \Phi y_{t-1} + (\mathbb{I_n}-\Phi)\mu + \Sigma \varepsilon_t $ 英石 $ y_t $ 是一個 $ (n \times 1) $ 向量,和 $ \varepsilon_t \sim N(\vec{0},\mathbb{I}_n) $ . $ \mathbb{I} $ 是單位矩陣。 $ \Phi $ 和 $ \Sigma $ 是 $ (n \times n) $ 矩陣。
考慮以下 MATLAB 程式碼。
Sigma = eye(2); %sqrtm(Covariance matrix) Phi{1} = [0.9,0.12;0,0.9]; %Autoregressive matrix mu = [0;0]; %Constant vector nTs = 1000; %Length of simulation %Specify Model mdl = varm(2,1); mdl.AR = Phi; mdl.Constant = mu; mdl.Covariance = Sigma^2; %Simulate Model simTs = simulate(mdl,nTs); %Simulate VAR(1) (nTs x 2) %Estimate Model X = simTs(1:end-1,:); Y = simTs(2:end,:); hatPhi = (X'*X)\(X'*Y) >> hatPhi = 0.8939 -0.0057 0.1721 0.8732
請注意,輸出是所提供的 AR 矩陣的轉置。為什麼是這樣?感覺自己傻了,呵呵。
我看到 $ n=2 $ 和 $ \mathbf \mu = \mathbb0 $ . 在單(二維)觀察水平,我們通常寫(忽略干擾向量)
$$ \mathbf y_t = \Phi \mathbf y_{t,-1} $$ 尺寸適合您的情況 $ (2 \times 1) = (2 \times 2) \times (2 \times 1) $ .
但請注意,標準回歸公式的係數向量在回歸矩陣的“右側”……所以為了能夠應用標準 OLS 估計公式,我們轉置並獲得
$$ \mathbf y’t = \mathbf y{t,-1}’\Phi’ $$ 在全樣本水平,我們得到
$$ \mathbf Y’ = \mathbf Y_{-1}’\Phi’ $$ 哪裡有 $ T+1 $ 二維觀測可用,維度為( $ T \times 2 $ ) = $ (T \times 2) \times (2 \times 2) $
因此,當像您的程式碼一樣應用標準 OLS 公式時,估計器會估計 $ \Phi’ $ , 不是 $ \Phi $ .