statsmodels.tsa.vector_ar.svar_model.SVARProcess¶

class statsmodels.tsa.vector_ar.svar_model.SVARProcess(coefs, intercept, sigma_u, A_solve, B_solve, names=None)[source]¶

类表示一个已知的SVAR(p)过程

Parameters:¶

coefsndarray (p x k x k)

interceptndarray (length k)

sigma_undarray (k x k)

namessequence (length k)

Aneqs x neqs np.ndarray with unknown parameters marked with ‘E’

A_maskneqs x neqs mask array with known parameters masked

Bneqs x neqs np.ndarry with unknown parameters marked with ‘E’

B_maskneqs x neqs mask array with known parameters masked

方法

acf([nlags])	计算理论自协方差函数
acorr([nlags])	自相关函数
forecast(y, steps[, exog_future])	使用先前的值 y 生成所需步数前的线性最小均方误差预测
forecast_cov(步骤)	计算理论预测误差方差矩阵
forecast_interval(y, steps[, alpha, exog_future])	假设 y 是高斯分布，构建预测区间估计
get_eq_index(name)	返回请求的方程名称的整数位置
intercept_longrun()	稳定VAR过程的长期截距
is_stable([verbose])	根据模型系数确定稳定性
long_run_effects()	计算单位脉冲的长期效应
ma_rep([maxn])	计算 MA(\(\infty\)) 系数矩阵
mean()	稳定VAR过程的长期截距
mse(步骤)	计算理论预测误差方差矩阵
orth_ma_rep([maxn, P])	SVAR不可用
plot_acorr([nlags, linewidth])	绘制理论自相关函数
plotsim([steps, offset, seed])	绘制来自VAR(p)过程的模拟，以获得所需步数
simulate_var([steps, offset, seed, ...])	模拟VAR(p)过程所需的步数
svar_ma_rep([maxn, P])	使用A、B的MLE计算结构MA系数矩阵
to_vecm()