Modelo: $y_t = \Phi y_{t-1} + (\mathbb{I_n}-\Phi)\mu + \Sigma \varepsilon_t$ s.t. $y_t$ es un $(n \times 1)$ vector, y $\varepsilon_t \sim N(\vec{0},\mathbb{I}_n)$ . $\mathbb{I}$ es la matriz de identidad. $\Phi$ y $\Sigma$ son $(n \times n)$ matrices.
Considere el siguiente código MATLAB.
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
Observe que la salida es la transposición de la matriz AR suministrada. ¿Por qué es esto? Me siento tonto, lol.