矩阵的乘法和调用的问题

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

小弟现在在作一个code,其主要步骤是先在每一个时间t（t=1,2,….480）提取所有的regressors，得到480行并且将它们每个都转置后做成480个Vector，每个vector是50×1，然后用主成分分析的方法分析原始的50个regressors，并得到他们的因子载荷，用因子载荷乘以上述这个vector得到factor，再用原来的dependent variable y_cpi_`h’ 与这些factors 做回归。并且得到预测序列
下面这个循环是提取每个vector的过程
forvalues i = 1(1)480
{

preserve

keep if [_n] == `i'

mkmat by*, mat(trans_x_`i')

mat x_`i' = (trans_x_`i')'

restore
}
之后这个循环是对于每一个不同forecast horizon 1,3, 6, 12, 18, 24, 30, 36，取不同个数的主成分1，2，3，4，完成我上述描述的过程,，但是stata会报错说“x_ not found”我的理解是他找不到x_`i’ 这个矩阵，所以在用因子载荷乘以x_`i’,的时候会出现问题，但是我在stata里面mat list x_1,他却能显示出一个50×1的矩阵，我感到十分困惑，既然stata内存里已经有x_`i’这个矩阵（加粗的那行），为什么他还会报错呢？请求连老师的解答，非常感谢
foreach h of numlist 1 3 6(6)36
{


preserve

keep if y_cpi_`h'!=.



forvalues k = 1/4
{


* principal component analysis


display "applying the pca with the restriction there are `k' principal components"


pca by*, comp(`k')


* Factor loadings

mat loadings_`h'_`k' = e(L)


* CF- factors estimation


display "These are the regressions with PCs when forecast horizons are `h' periods"




mat f_hat_CF_`h'_`k' = (loadings_`h'_`k')'* (x_`i')



* Regression


display "These are the regressions with PCs when forecast horizons are `h' periods"


qui regress y_cpi_`h'  f_hat_CF_`h'_1-f_hat_CF_`h'_`k'


scalar CI_PC_R_square_y_cpi_`h' = e(r2)

scalar CI_PC_RSS_y_cpi_`h' = e(rss)


}

restore
}

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Regressions restriction regression Components Estimation 矩阵 乘法

我按照你的意思做了个测试程序，没有发现问题。
程序如下，你可以复制后直接在你的机子上执行。

sysuse sp500, clear
forvalues i = 1(1)10{
   preserve
     keep if [_n] == `i'
     mkmat _all, mat(trans_x_`i')
     mat x_`i' = (trans_x_`i')'
   restore
}
mat dir

结果如下：
. sysuse sp500, clear
(S&P 500)

. forvalues i = 1(1)10{
  2.    preserve
  3.      keep if [_n] == `i'
  4.      mkmat _all, mat(trans_x_`i')
  5.      mat x_`i' = (trans_x_`i')'
  6.    restore
  7. }
(247 observations deleted)
(247 observations deleted)
(247 observations deleted)
(247 observations deleted)
(247 observations deleted)
(247 observations deleted)
(247 observations deleted)
(247 observations deleted)
(247 observations deleted)
(247 observations deleted)

. mat dir
         x_10[7,1]
    trans_x_10[1,7]
          x_9[7,1]
    trans_x_9[1,7]
          x_8[7,1]
    trans_x_8[1,7]
          x_7[7,1]
    trans_x_7[1,7]
          x_6[7,1]
    trans_x_6[1,7]
          x_5[7,1]
    trans_x_5[1,7]
          x_4[7,1]
    trans_x_4[1,7]
          x_3[7,1]
    trans_x_3[1,7]
          x_2[7,1]
    trans_x_2[1,7]
          x_1[7,1]
    trans_x_1[1,7]
         x_20[7,1]
    trans_x_20[1,7]
         x_19[7,1]
    trans_x_19[1,7]
         x_18[7,1]
    trans_x_18[1,7]
         x_17[7,1]
    trans_x_17[1,7]
         x_16[7,1]
    trans_x_16[1,7]
         x_15[7,1]
    trans_x_15[1,7]
         x_14[7,1]
    trans_x_14[1,7]
         x_13[7,1]
    trans_x_13[1,7]
         x_12[7,1]
    trans_x_12[1,7]
         x_11[7,1]
    trans_x_11[1,7]
         x_48[7,1]
    trans_x_48[1,7]
         x_47[7,1]
    trans_x_47[1,7]
         x_46[7,1]
    trans_x_46[1,7]
         x_45[7,1]
    trans_x_45[1,7]
         x_44[7,1]
    trans_x_44[1,7]
         x_43[7,1]
    trans_x_43[1,7]
         x_42[7,1]
    trans_x_42[1,7]
         x_41[7,1]
    trans_x_41[1,7]
         x_40[7,1]
    trans_x_40[1,7]
         x_39[7,1]
    trans_x_39[1,7]
         x_38[7,1]
    trans_x_38[1,7]
         x_37[7,1]
    trans_x_37[1,7]
         x_36[7,1]
    trans_x_36[1,7]
         x_35[7,1]
    trans_x_35[1,7]
         x_34[7,1]
    trans_x_34[1,7]
         x_33[7,1]
    trans_x_33[1,7]
         x_32[7,1]
    trans_x_32[1,7]
         x_31[7,1]
    trans_x_31[1,7]
         x_30[7,1]
    trans_x_30[1,7]
         x_29[7,1]
    trans_x_29[1,7]
         x_28[7,1]
    trans_x_28[1,7]
         x_27[7,1]
    trans_x_27[1,7]
         x_26[7,1]
    trans_x_26[1,7]
         x_25[7,1]
    trans_x_25[1,7]
         x_24[7,1]
    trans_x_24[1,7]
         x_23[7,1]
    trans_x_23[1,7]
         x_22[7,1]
    trans_x_22[1,7]
         x_21[7,1]
    trans_x_21[1,7]