USL20_Hardship

#

# USL20 Hardship BAU

#

# help(dse)

# help(SS)

merge.forecast <- function (fx,n=1) {

#

# Merges a forecast with the outputdata

x <- splice(fx$pred,fx$forecast[[n]])

colnames(x) <- seriesNames(fx$data$output)

return(x)

}

AIC <- function(model) {informationTestsCalculations(model)[3]}

require(dse)

require(matlab)

#

# Measurement Matrix 

#     NY.GDP.DEFL.KD.ZG SI.POV.DDAY FP.CPI.TOTL NE.CON.PRVT.PC.KD SL.UEM.TOTL.ZS

#[1,]            -0.224       0.186       0.287             0.287         0.2305

#[2,]            -0.364      -0.427      -0.085            -0.128         0.4649

#[3,]             0.303       0.605       0.144             0.105        -0.0394

#     SL.UEM.TOTL.NE.ZS SP.DYN.IMRT.MA.IN SI.POV.GINI SP.DYN.LE00.IN

#[1,]            -0.120           -0.2924      0.2890          0.290

#[2,]             0.657           -0.0691     -0.0401          0.013

#[3,]             0.632            0.0977     -0.0375          0.181

#     SH.STA.SMSS.ZS SH.XPD.GHED.CH.ZS SH.XPD.CHEX.GD.ZS SL.FAM.WORK.ZS

#[1,]         0.2957            0.2955            0.2956        -0.2894

#[2,]         0.0346            0.0549            0.0250         0.0522

#[3,]         0.0898           -0.0569            0.0293        -0.0122

#     SL.TLF.PART.ZS

#[1,]       -0.28930

#[2,]        0.00196

#[3,]        0.23026

#

#

f <- matrix( c(   0.97899268, -0.01756984, 0.01681586,  0.22578953,

                       -0.02873468,  0.67995410, 0.07476549, -0.01382950,

                        0.02487113, -0.21844801, 0.92614160,  0.05265287,

                        0.00000000,  0.00000000, 0.00000000,  1.00000000

),nrow=4,ncol=4, byrow=TRUE)

h <- eye(3,4)

k <- (f[,1:3,drop=FALSE])

US_HARD <- SS(F=f,H=h,K=k,z0=c(  0.22578953, -0.01382950,  0.05265287, 1.00),

output.names=c("HARD1", "HARD2","HARD3"))

print(US_HARD)

is.SS(US_HARD)

stability(m <- SS(F=f[1:3,1:3,drop=FALSE],H=eye(3),Q=eye(3),R=eye(3)))

US_HARD.data <- simulate(US_HARD,sampleT=150,noise=matrix(0,150,3),start=1960)

tfplot(US_HARD.data)

US_HARD.f <- forecast(l(US_HARD,US_HARD.data),horizon=150)

tfplot(US_HARD.f )

shockDecomposition(m) 

#

# Bootstrap Confidence Intervals

#

#           LCI Parameter       UCI P>=T[1] P< T[1] Std. Dev.     Bias Bias-z

# [1,]  0.96194   0.97899  0.994443    0.24    0.76   0.01323 0.009793  0.740

# [2,] -0.05266  -0.02873 -0.005136    0.61    0.39   0.01974 0.999876 50.652

# [3,]  0.01121   0.02487  0.037244    0.33    0.67   0.01078 0.959304 88.962

# [4,] -0.09094  -0.01757  0.066266    0.83    0.17   0.06040 0.934713 15.474

# [5,]  0.48382   0.67995  0.877763    0.43    0.57   0.15004 0.318113  2.120

# [6,] -0.29531  -0.21845 -0.132298    0.94    0.06   0.06858 1.096814 15.993

# [7,] -0.05566   0.01682  0.070516    0.33    0.67   0.05246 0.991905 18.907

# [8,] -0.07299   0.07477  0.197482    0.26    0.74   0.09826 0.971790  9.890

# [9,]  0.85150   0.92614  0.994310    0.09    0.91   0.05883 0.127783  2.172

#[10,]  0.18409   0.22579  0.260047    0.46    0.54   0.02915 0.762614 26.159

#[11,] -0.09443  -0.01383  0.064516    0.48    0.52   0.06556 0.989139 15.087

#[12,]  0.01091   0.05265  0.096056    0.15    0.85   0.03798 0.960089 25.276

#