ISmRollingRegression.CoefficientsMatrix

Syntax

CoefficientsMatrix: Array;

Description

The CoefficientsMatrix  returns matrix of coefficients estimates.

Comments

To get estimate characteristics, use the ISmRollingRegression.StandartErrorMatrix, ISmRollingRegression.TStatisticMatrix, ISmRollingRegression.PValueMatrix properties.

Example

To execute the example, add a link to the Stat system assembly.

Sub UserProc;
Var
    RR: SmRollingRegression;
    Explanatories: ISlSerie;
    can, fra, ger: Array[10Of Double;
    i, j, res, rows, cols: Integer;
Begin
    RR := New SmRollingRegression.Create;
    Can[0] := 6209; fra[0] := 4110; ger[0] := 3415;
    Can[1] := 6385; fra[1] := 4280; ger[1] := 3673;
    Can[2] := double.Nan; fra[2] := 4459; ger[2] := 4013;
    Can[3] := 6837; fra[3] := 4545; ger[3] := 4278;
    Can[4] := 6495; fra[4] := 4664; ger[4] := 4577;
    Can[5] := 6907; fra[5] := 4861; ger[5] := 5135;
    Can[6] := 7349; fra[6] := 5195; ger[6] := 5388;
    Can[7] := 7213; fra[7] := 5389; ger[7] := 5610;
    Can[8] := 7061; fra[8] := 5463; ger[8] := 5787;
    Can[9] := 7180; fra[9] := 5610; ger[9] := 6181;
    //explained series
    RR.Explained.Value := can;
    // explanatory series
    RR.Explanatories.Clear;
    Explanatories := RR.Explanatories.Add;
    Explanatories.Value := fra;
    Explanatories := RR.Explanatories.Add;
    Explanatories.Value := ger;
    // sample period 
    RR.ModelPeriod.FirstPoint := 1;
    RR.ModelPeriod.LastPoint := 10;
    // method of missing data treatment - linear trend
    RR.MissingData.Method := MissingDataMethod.LinTrend;
    // window shift interval  
    RR.RollingStep := 1;
    // the width of rolling regression window
    RR.Window := 4;
    // model constant - constant is estimated automatically
    RR.Intercept.Mode := InterceptMode.AutoEstimate;
    res := RR.Execute;
    If res = 0 Then
        For i := 0 To RR.WarningsCount - 1 Do
            Debug.WriteLine(RR.Warnings[i])
        End For;
        Debug.WriteLine("==Coefficients==");
        rows := RR.CoefficientsMatrix.GetUpperBound(1);
        cols := RR.CoefficientsMatrix.GetUpperBound(2);
        Debug.Indent;
        For i := 0 To rows Do
            For j := 0 To cols Do
                Debug.Write(RR.CoefficientsMatrix[i, j]);
            End For;
            Debug.WriteLine(" ");
        End For;
        Debug.Unindent;
        Debug.WriteLine("==Standard errors==");
        rows := RR.StandartErrorMatrix.GetUpperBound(1);
        cols := RR.StandartErrorMatrix.GetUpperBound(2);
        Debug.Indent;
        For i := 0 To rows Do
            For j := 0 To cols Do
                Debug.Write(RR.StandartErrorMatrix[i, j]);
            End For;
            Debug.WriteLine(" ");
        End For;
        Debug.Unindent;
        Debug.WriteLine("==Statistics==");
        rows := RR.TStatisticMatrix.GetUpperBound(1);
        cols := RR.TStatisticMatrix.GetUpperBound(2);
        Debug.Indent;
        For i := 0 To rows Do
            For j := 0 To cols Do
                Debug.Write(RR.TStatisticMatrix[i, j]);
            End For;
            Debug.WriteLine(" ");
        End For;
        Debug.Unindent;
        Debug.WriteLine("==Probability==");
        rows := RR.PValueMatrix.GetUpperBound(1);
        cols := RR.PValueMatrix.GetUpperBound(2);
        Debug.Indent;
        For i := 0 To rows Do
            For j := 0 To cols Do
                Debug.Write(RR.PValueMatrix[i, j]);
            End For;
            Debug.WriteLine(" ");
        End For;
        Debug.Unindent;
        Debug.WriteLine("==Forecast series==");
        Debug.Indent;
        For i := 0 To RR.RollingForecast.Length - 1 Do
            Debug.Write(i.ToString + " ");
            Debug.WriteLine(RR.RollingForecast[i]);
        End For;
        Debug.Unindent;
        Else
            Debug.WriteLine(RR.Errors);
    End If;
End Sub UserProc;

After executing the example a rolling regression model with the following parameters is created:

The console window displays matrix of coefficients estimation, statistic, probability, standard errors and forecasting series.

See also:

ISmRollingRegression | Moving Regression