Download Full Version ebook - Visit ebooknice.

com

(Ebook) MATLAB Econometrics Toolbox™ User's Guide

by The MathWorks, Inc.

https://ebooknice.com/product/matlab-econometrics-toolboxtm-
user-s-guide-11236174

Click the button below to download

DOWLOAD EBOOK

Discover More Ebook - Explore Now at ebooknice.com

 Instant digital products (PDF, ePub, MOBI) ready for you
Download now and discover formats that fit your needs...

Start reading on any device today!

(Ebook) MATLAB Bioinformatics Toolbox™ User's Guide by The

MathWorks, Inc.

https://ebooknice.com/product/matlab-bioinformatics-toolboxtm-user-s-
guide-11236232

ebooknice.com

(Ebook) MATLAB Mapping Toolbox™ User's Guide by The

MathWorks, Inc.

https://ebooknice.com/product/matlab-mapping-toolboxtm-user-s-
guide-11236250

ebooknice.com

(Ebook) MATLAB Optimization Toolbox™ User's Guide by The

MathWorks, Inc.

https://ebooknice.com/product/matlab-optimization-toolboxtm-user-s-
guide-11236252

ebooknice.com

(Ebook) Deep Learning Toolbox Getting Started Guide -

MATLAB by The MathWorks, Inc.

https://ebooknice.com/product/deep-learning-toolbox-getting-started-
guide-matlab-43710832

ebooknice.com
(Ebook) MATLAB Computer Vision Toolbox™ User's Guide by
The MathWorks, Inc.

https://ebooknice.com/product/matlab-computer-vision-toolboxtm-user-s-
guide-11236240

ebooknice.com

(Ebook) MATLAB Curve Fitting Toolbox™ User's Guide by The

MathWorks, Inc.

https://ebooknice.com/product/matlab-curve-fitting-toolboxtm-user-s-
guide-11236242

ebooknice.com

(Ebook) MATLAB Fuzzy Logic Toolbox™ User's Guide by The

MathWorks, Inc.

https://ebooknice.com/product/matlab-fuzzy-logic-toolboxtm-user-s-
guide-11236244

ebooknice.com

(Ebook) MATLAB Global Optimization Toolbox™ User's Guide

by The MathWorks, Inc.

https://ebooknice.com/product/matlab-global-optimization-toolboxtm-
user-s-guide-11236246

ebooknice.com

(Ebook) MATLAB Image Processing Toolbox™ User's Guide by

The MathWorks, Inc.

https://ebooknice.com/product/matlab-image-processing-toolboxtm-user-
s-guide-11236248

ebooknice.com
Econometrics Toolbox™
User's Guide

R2020a
How to Contact MathWorks

Latest news: www.mathworks.com

Sales and services: www.mathworks.com/sales_and_services

User community: www.mathworks.com/matlabcentral

Technical support: www.mathworks.com/support/contact_us

Phone: 508-647-7000

The MathWorks, Inc.

1 Apple Hill Drive
Natick, MA 01760-2098
Econometrics Toolbox™ User's Guide
© COPYRIGHT 1999–2020 by The MathWorks, Inc.
The software described in this document is furnished under a license agreement. The software may be used or copied
only under the terms of the license agreement. No part of this manual may be photocopied or reproduced in any form
without prior written consent from The MathWorks, Inc.
FEDERAL ACQUISITION: This provision applies to all acquisitions of the Program and Documentation by, for, or through
the federal government of the United States. By accepting delivery of the Program or Documentation, the government
hereby agrees that this software or documentation qualifies as commercial computer software or commercial computer
software documentation as such terms are used or defined in FAR 12.212, DFARS Part 227.72, and DFARS 252.227-7014.
Accordingly, the terms and conditions of this Agreement and only those rights specified in this Agreement, shall pertain
to and govern the use, modification, reproduction, release, performance, display, and disclosure of the Program and
Documentation by the federal government (or other entity acquiring for or through the federal government) and shall
supersede any conflicting contractual terms or conditions. If this License fails to meet the government's needs or is
inconsistent in any respect with federal procurement law, the government agrees to return the Program and
Documentation, unused, to The MathWorks, Inc.
Trademarks
MATLAB and Simulink are registered trademarks of The MathWorks, Inc. See
www.mathworks.com/trademarks for a list of additional trademarks. Other product or brand names may be
trademarks or registered trademarks of their respective holders.
Patents
MathWorks products are protected by one or more U.S. patents. Please see www.mathworks.com/patents for
more information.
Revision History
October 2008 Online only Version 1.0 (Release 2008b)
March 2009 Online only Revised for Version 1.1 (Release 2009a)
September 2009 Online only Revised for Version 1.2 (Release 2009b)
March 2010 Online only Revised for Version 1.3 (Release 2010a)
September 2010 Online only Revised for Version 1.4 (Release 2010b)
April 2011 Online only Revised for Version 2.0 (Release 2011a)
September 2011 Online only Revised for Version 2.0.1 (Release 2011b)
March 2012 Online only Revised for Version 2.1 (Release 2012a)
September 2012 Online only Revised for Version 2.2 (Release 2012b)
March 2013 Online only Revised for Version 2.3 (Release 2013a)
September 2013 Online only Revised for Version 2.4 (Release 2013b)
March 2014 Online Only Revised for Version 3.0 (Release 2014a)
October 2014 Online Only Revised for Version 3.1 (Release 2014b)
March 2015 Online Only Revised for Version 3.2 (Release 2015a)
September 2015 Online Only Revised for Version 3.3 (Release 2015b)
March 2016 Online Only Revised for Version 3.4 (Release 2016a)
September 2016 Online Only Revised for Version 3.5 (Release 2016b)
March 2017 Online Only Revised for Version 4.0 (Release 2017a)
September 2017 Online Only Revised for Version 4.1 (Release 2017b)
March 2018 Online Only Revised for Version 5.0 (Release 2018a)
September 2018 Online Only Revised for Version 5.1 (Release 2018b)
March 2019 Online Only Revised for Version 5.2 (Release 2019a)
September 2019 Online Only Revised for Version 5.3 (Release 2019b)
March 2020 Online Only Revised for Version 5.4 (Release 2020a)
 Contents

Getting Started
1
Econometrics Toolbox Product Description . . . . . . . . . . . . . . . . . . . . . . . . 1-2

Econometric Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-3

Model Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-3
Econometrics Toolbox Features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-3

Econometrics Toolbox Model Objects, Properties, and Object Functions

.......................................................... 1-7
Model Objects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-7
Model Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-8
Specify Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-10
Retrieve Model Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-13
Modify Model Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-14
Object Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-15

Stochastic Process Characteristics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-16

What Is a Stochastic Process? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-16
Stationary Processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-17
Linear Time Series Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-17
Unit Root Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-18
Lag Operator Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-19
Characteristic Equation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-20

Bibliography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1-22

Data Preprocessing
2
Data Transformations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-2
Why Transform? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-2
Common Data Transformations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-2

Trend-Stationary vs. Difference-Stationary Processes . . . . . . . . . . . . . . . . 2-6

Nonstationary Processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-6
Trend Stationary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-7
Difference Stationary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-7

Specify Lag Operator Polynomials . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-9

Lag Operator Polynomial of Coefficients . . . . . . . . . . . . . . . . . . . . . . . . . . 2-9
Difference Lag Operator Polynomials . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-11

iii
 Nonseasonal Differencing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-13

Nonseasonal and Seasonal Differencing . . . . . . . . . . . . . . . . . . . . . . . . . . 2-16

Time Series Decomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-19

Moving Average Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-21

Moving Average Trend Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-22

Parametric Trend Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-25

Hodrick-Prescott Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-30

Using the Hodrick-Prescott Filter to Reproduce Their Original Result

......................................................... 2-31

Seasonal Filters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-35

What Is a Seasonal Filter? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-35
Stable Seasonal Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-35
Sn × m seasonal filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-36

Seasonal Adjustment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-38

What Is Seasonal Adjustment? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-38
Deseasonalized Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-38
Seasonal Adjustment Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-38

Seasonal Adjustment Using a Stable Seasonal Filter . . . . . . . . . . . . . . . . 2-40

Seasonal Adjustment Using S(n,m) Seasonal Filters . . . . . . . . . . . . . . . . 2-46

Model Selection
3
Box-Jenkins Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-2

Box-Jenkins Model Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-4

Autocorrelation and Partial Autocorrelation . . . . . . . . . . . . . . . . . . . . . . 3-11

What Are Autocorrelation and Partial Autocorrelation? . . . . . . . . . . . . . . 3-11
Theoretical ACF and PACF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-11
Sample ACF and PACF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-11

Ljung-Box Q-Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-13

Detect Autocorrelation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-15

Compute Sample ACF and PACF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-15
Conduct the Ljung-Box Q-Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-17

Engle’s ARCH Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-20

iv Contents
Detect ARCH Effects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-22
Test Autocorrelation of Squared Residuals . . . . . . . . . . . . . . . . . . . . . . . 3-22
Conduct Engle's ARCH Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-24

Unit Root Nonstationarity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-27

What Is a Unit Root Test? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-27
Modeling Unit Root Processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-27
Available Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-28
Testing for Unit Roots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-30

Unit Root Tests . . . . . . . . . . . . . . . . . . ............................ 3-32

Test Simulated Data for a Unit Root ............................ 3-32
Test Time Series Data for Unit Root ............................ 3-37
Test Stock Data for a Random Walk ............................ 3-39

Assess Stationarity of a Time Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-42

Information Criteria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-45

Model Comparison Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-46

Available Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-46
Likelihood Ratio Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-48
Lagrange Multiplier Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-48
Wald Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-48
Covariance Matrix Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-49

Conduct Lagrange Multiplier Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-50

Conduct Wald Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-53

Compare GARCH Models Using Likelihood Ratio Test . . . . . . . . . . . . . . . 3-55

Check Fit of Multiplicative ARIMA Model . . . . . . . . . . . . . . . . . . . . . . . . . 3-58

Goodness of Fit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-63

Residual Diagnostics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-64

Check Residuals for Normality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-64
Check Residuals for Autocorrelation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-64
Check Residuals for Conditional Heteroscedasticity . . . . . . . . . . . . . . . . 3-64

Assess Predictive Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-66

Nonspherical Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-67

What Are Nonspherical Models? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-67

Plot a Confidence Band Using HAC Estimates . . . . . . . . . . . . . . . . . . . . . 3-68

Change the Bandwidth of a HAC Estimator . . . . . . . . . . . . . . . . . . . . . . . 3-75

Check Model Assumptions for Chow Test . . . . . . . . . . . . . . . . . . . . . . . . . 3-80

Power of the Chow Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-87

v
 Econometric Modeler
4
Econometric Modeler App Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-2
Prepare Data for Econometric Modeler App . . . . . . . . . . . . . . . . . . . . . . . 4-3
Import Time Series Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-3
Perform Exploratory Data Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-5
Fitting Models to Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-15
Conducting Goodness-of-Fit Checks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-23
Finding Model with Best In-Sample Fit . . . . . . . . . . . . . . . . . . . . . . . . . . 4-29
Export Session Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-30

Specifying Lag Operator Polynomials Interactively . . . . . . . . . . . . . . . . . 4-37

Specify Lag Structure Using Lag Order Tab . . . . . . . . . . . . . . . . . . . . . . 4-38
Specify Lag Structure Using Lag Vector Tab . . . . . . . . . . . . . . . . . . . . . . 4-40

Prepare Time Series Data for Econometric Modeler App . . . . . . . . . . . . 4-43

Prepare Table of Multivariate Data for Import . . . . . . . . . . . . . . . . . . . . . 4-43
Prepare Numeric Vector for Import . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-44

Import Time Series Data into Econometric Modeler App . . . . . . . . . . . . 4-46

Import Data from MATLAB Workspace . . . . . . . . . . . . . . . . . . . . . . . . . . 4-46
Import Data from MAT-File . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-47

Plot Time Series Data Using Econometric Modeler App . . . . . . . . . . . . . 4-50

Plot Univariate Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-50
Plot Multivariate Time Series and Correlations . . . . . . . . . . . . . . . . . . . . 4-51

Detect Serial Correlation Using Econometric Modeler App . . . . . . . . . . 4-56

Plot ACF and PACF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-56
Conduct Ljung-Box Q-Test for Significant Autocorrelation . . . . . . . . . . . . 4-58

Detect ARCH Effects Using Econometric Modeler App . . . . . . . . . . . . . . 4-62

Inspect Correlograms of Squared Residuals for ARCH Effects . . . . . . . . . 4-62
Conduct Ljung-Box Q-Test on Squared Residuals . . . . . . . . . . . . . . . . . . 4-65
Conduct Engle's ARCH Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-67

Assess Stationarity of Time Series Using Econometric Modeler . . . . . . . 4-70

Test Assuming Unit Root Null Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-70
Test Assuming Stationary Null Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-73
Test Assuming Random Walk Null Model . . . . . . . . . . . . . . . . . . . . . . . . 4-77

Assess Collinearity Among Multiple Series Using Econometric Modeler

App . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-81

Transform Time Series Using Econometric Modeler App . . . . . . . . . . . . 4-84

Apply Log Transformation to Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-84
Stabilize Time Series Using Nonseasonal Differencing . . . . . . . . . . . . . . 4-88
Convert Prices to Returns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-91
Remove Seasonal Trend from Time Series Using Seasonal Difference . . . 4-94
Remove Deterministic Trend from Time Series . . . . . . . . . . . . . . . . . . . . 4-97

Implement Box-Jenkins Model Selection and Estimation Using

Econometric Modeler App . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-99

vi Contents
 Select ARCH Lags for GARCH Model Using Econometric Modeler App
........................................................ 4-109

Estimate Multiplicative ARIMA Model Using Econometric Modeler App

........................................................ 4-118

Perform ARIMA Model Residual Diagnostics Using Econometric Modeler

App . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-128

Specify t Innovation Distribution Using Econometric Modeler App . . . 4-137

Compare Predictive Performance After Creating Models Using

Econometric Modeler App . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-141

Estimate ARIMAX Model Using Econometric Modeler App . . . . . . . . . . 4-148

Estimate Regression Model with ARMA Errors Using Econometric

Modeler App . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-156

Compare Conditional Variance Model Fit Statistics Using Econometric

Modeler App . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-170

Perform GARCH Model Residual Diagnostics Using Econometric Modeler

App . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-179

Share Results of Econometric Modeler App Session . . . . . . . . . . . . . . . 4-186

Time Series Regression Models

5
Time Series Regression Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-3

Regression Models with Time Series Errors . . . . . . . . . . . . . . . . . . . . . . . . 5-5

What Are Regression Models with Time Series Errors? . . . . . . . . . . . . . . . 5-5
Conventions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-5

Create Regression Models with ARIMA Errors . . . . . . . . . . . . . . . . . . . . . . 5-8

Default Regression Model with ARIMA Errors Specifications . . . . . . . . . . 5-8
Specify regARIMA Models Using Name-Value Pair Arguments . . . . . . . . . . 5-9
Specify Linear Regression Models Using Econometric Modeler App . . . . 5-15

Specify the Default Regression Model with ARIMA Errors . . . . . . . . . . . 5-19

Modify regARIMA Model Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-21

Modify Properties Using Dot Notation . . . . . . . . . . . . . . . . . . . . . . . . . . 5-21
Nonmodifiable Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-23

Create Regression Models with AR Errors . . . . . . . . . . . . . . . . . . . . . . . . 5-26

Default Regression Model with AR Errors . . . . . . . . . . . . . . . . . . . . . . . . 5-26
AR Error Model Without an Intercept . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-27
AR Error Model with Nonconsecutive Lags . . . . . . . . . . . . . . . . . . . . . . . 5-27

vii
 Known Parameter Values for a Regression Model with AR Errors . . . . . . 5-28
Regression Model with AR Errors and t Innovations . . . . . . . . . . . . . . . . 5-29

Create Regression Models with MA Errors . . . . . . . . . . . . . . . . . . . . . . . . 5-31

Default Regression Model with MA Errors . . . . . . . . . . . . . . . . . . . . . . . 5-31
MA Error Model Without an Intercept . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-32
MA Error Model with Nonconsecutive Lags . . . . . . . . . . . . . . . . . . . . . . 5-32
Known Parameter Values for a Regression Model with MA Errors . . . . . . 5-33
Regression Model with MA Errors and t Innovations . . . . . . . . . . . . . . . . 5-34

Create Regression Models with ARMA Errors . . . . . . . . . . . . . . . . . . . . . . 5-36

Default Regression Model with ARMA Errors . . . . . . . . . . . . . . . . . . . . . 5-36
ARMA Error Model Without an Intercept . . . . . . . . . . . . . . . . . . . . . . . . 5-37
ARMA Error Model with Nonconsecutive Lags . . . . . . . . . . . . . . . . . . . . 5-37
Known Parameter Values for a Regression Model with ARMA Errors . . . . 5-38
Regression Model with ARMA Errors and t Innovations . . . . . . . . . . . . . 5-38
Specify Regression Model with ARMA Errors Using Econometric Modeler
App . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-40

Create Regression Models with ARIMA Errors . . . . . . . . . . . . . . . . . . . . . 5-44

Default Regression Model with ARIMA Errors . . . . . . . . . . . . . . . . . . . . . 5-44
ARIMA Error Model Without an Intercept . . . . . . . . . . . . . . . . . . . . . . . . 5-45
ARIMA Error Model with Nonconsecutive Lags . . . . . . . . . . . . . . . . . . . . 5-45
Known Parameter Values for a Regression Model with ARIMA Errors . . . 5-46
Regression Model with ARIMA Errors and t Innovations . . . . . . . . . . . . . 5-47

Create Regression Models with SARIMA Errors . . . . . . . . . . . . . . . . . . . . 5-49

SARMA Error Model Without an Intercept . . . . . . . . . . . . . . . . . . . . . . . 5-49
Known Parameter Values for a Regression Model with SARIMA Errors . . 5-50
Regression Model with SARIMA Errors and t Innovations . . . . . . . . . . . . 5-50

Specify Regression Model with SARIMA Errors . . . . . . . . . . . . . . . . . . . . 5-53

Specify ARIMA Error Model Innovation Distribution . . . . . . . . . . . . . . . . 5-60

About the Innovation Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-60
Innovation Distribution Options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-61
Specify Innovation Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-61

Impulse Response of Regression Models with ARIMA Errors . . . . . . . . . 5-65

Plot Impulse Response of Regression Model with ARIMA Errors . . . . . . 5-66

Regression Model with AR Errors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-66
Regression Model with MA Errors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-67
Regression Model with ARMA Errors . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-68
Regression Model with ARIMA Errors . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-70

Maximum Likelihood Estimation of regARIMA Models . . . . . . . . . . . . . . 5-73

Innovation Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-73
Loglikelihood Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-73

regARIMA Model Estimation Using Equality Constraints . . . . . . . . . . . . 5-75

Presample Values for regARIMA Model Estimation . . . . . . . . . . . . . . . . 5-109

Initial Values for regARIMA Model Estimation . . . . . . . . . . . . . . . . . . . . 5-111

viii Contents
Optimization Settings for regARIMA Model Estimation . . . . . . . . . . . . 5-113
Optimization Options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-113
Constraints on Regression Models with ARIMA Errors . . . . . . . . . . . . . 5-115

Estimate a Regression Model with ARIMA Errors . . . . . . . . . . . . . . . . . 5-116

Estimate a Regression Model with Multiplicative ARIMA Errors . . . . . 5-123

Select Regression Model with ARIMA Errors . . . . . . . . . . . . . . . . . . . . . 5-131

Choose Lags for ARMA Error Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-133

Intercept Identifiability in Regression Models with ARIMA Errors . . . 5-137

Intercept Identifiability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-137
Intercept Identifiability Illustration . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-138

Alternative ARIMA Model Representations . . . . . . . . . . . . . . . . . . . . . . . 5-141

regARIMA to ARIMAX Model Conversion . . . . . . . . . . . . . . . . . . . . . . . 5-141
Illustrate regARIMA to ARIMAX Model Conversion . . . . . . . . . . . . . . . . 5-142

Simulate Regression Models with ARMA Errors . . . . . . . . . . . . . . . . . . . 5-147

Simulate an AR Error Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-147
Simulate an MA Error Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-153
Simulate an ARMA Error Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-159

Simulate Regression Models with Nonstationary Errors . . . . . . . . . . . . 5-166

Simulate a Regression Model with Nonstationary Errors . . . . . . . . . . . 5-166
Simulate a Regression Model with Nonstationary Exponential Errors . . 5-169

Simulate Regression Models with Multiplicative Seasonal Errors . . . . 5-174

Simulate a Regression Model with Stationary Multiplicative Seasonal Errors
.................................................... 5-174
Untitled . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-176

Monte Carlo Simulation of Regression Models with ARIMA Errors . . . 5-179

What Is Monte Carlo Simulation? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-179
Generate Monte Carlo Sample Paths . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-179
Monte Carlo Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-180

Presample Data for regARIMA Model Simulation . . . . . . . . . . . . . . . . . 5-182

Transient Effects in regARIMA Model Simulations . . . . . . . . . . . . . . . . 5-183

What Are Transient Effects? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-183
Illustration of Transient Effects on Regression . . . . . . . . . . . . . . . . . . . 5-183

Forecast a Regression Model with ARIMA Errors . . . . . . . . . . . . . . . . . . 5-191

Forecast a Regression Model with Multiplicative Seasonal ARIMA Errors

........................................................ 5-194

Verify Predictive Ability Robustness of a regARIMA Model . . . . . . . . . . 5-198

MMSE Forecasting Regression Models with ARIMA Errors . . . . . . . . . 5-200

What Are MMSE Forecasts? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-200
How forecast Generates MMSE Forecasts . . . . . . . . . . . . . . . . . . . . . . 5-200

ix
 Forecast Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-202

Monte Carlo Forecasting of regARIMA Models . . . . . . . . . . . . . . . . . . . . 5-203

Monte Carlo Forecasts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-203
Advantage of Monte Carlo Forecasts . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-203

Bayesian Linear Regression

6
Bayesian Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-2
Classical Versus Bayesian Analyses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-2
Main Bayesian Analysis Components . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-3
Posterior Estimation and Inference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-4

Implement Bayesian Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . 6-10

Workflow for Standard Bayesian Linear Regression Models . . . . . . . . . . 6-10
Workflow for Bayesian Predictor Selection . . . . . . . . . . . . . . . . . . . . . . . 6-13

Specify Gradient for HMC Sampler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-18

Posterior Estimation and Simulation Diagnostics . . . . . . . . . . . . . . . . . . 6-27

Diagnose MCMC Samples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-27
Perform Sensitivity Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-34

Tune Slice Sampler For Posterior Estimation . . . . . . . . . . . . . . . . . . . . . . 6-36

Compare Robust Regression Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . 6-43

Bayesian Lasso Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-52

Bayesian Stochastic Search Variable Selection . . . . . . . . . . . . . . . . . . . . 6-63

Replacing Removed Syntaxes of estimate . . . . . . . . . . . . . . . . . . . . . . . . . 6-73

Replace Removed Syntax When Estimating Analytical Marginal Posterior
..................................................... 6-74
Replace Removed Syntax When Estimating Numerical Marginal Posterior
..................................................... 6-75
Replace Removed Syntax When Estimating Conditional Posterior . . . . . . 6-77

Conditional Mean Models

7
Conditional Mean Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-3
Unconditional vs. Conditional Mean . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-3
Static vs. Dynamic Conditional Mean Models . . . . . . . . . . . . . . . . . . . . . . 7-3
Conditional Mean Models for Stationary Processes . . . . . . . . . . . . . . . . . . 7-3

Specify Conditional Mean Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-5

Default ARIMA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-5

x Contents
 Specify Nonseasonal Models Using Name-Value Pairs . . . . . . . . . . . . . . . . 7-7
Specify Multiplicative Models Using Name-Value Pairs . . . . . . . . . . . . . . 7-11
Specify Conditional Mean Model Using Econometric Modeler App . . . . . 7-14

Autoregressive Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-17

AR(p) Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-17
Stationarity of the AR Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-17

AR Model Specifications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-19

Default AR Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-19
AR Model with No Constant Term . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-19
AR Model with Nonconsecutive Lags . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-20
ARMA Model with Known Parameter Values . . . . . . . . . . . . . . . . . . . . . . 7-21
AR Model with t Innovation Distribution . . . . . . . . . . . . . . . . . . . . . . . . . 7-22
Specify AR Model Using Econometric Modeler App . . . . . . . . . . . . . . . . 7-22

Moving Average Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-26

MA(q) Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-26
Invertibility of the MA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-26

MA Model Specifications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-28

Default MA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-28
MA Model with No Constant Term . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-28
MA Model with Nonconsecutive Lags . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-29
MA Model with Known Parameter Values . . . . . . . . . . . . . . . . . . . . . . . . 7-30
MA Model with t Innovation Distribution . . . . . . . . . . . . . . . . . . . . . . . . 7-31
Specify MA Model Using Econometric Modeler App . . . . . . . . . . . . . . . . 7-31

Autoregressive Moving Average Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-35

ARMA(p,q) Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-35
Stationarity and Invertibility of the ARMA Model . . . . . . . . . . . . . . . . . . 7-35

ARMA Model Specifications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-37

Default ARMA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-37
ARMA Model with No Constant Term . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-37
ARMA Model with Known Parameter Values . . . . . . . . . . . . . . . . . . . . . . 7-38
Specify ARMA Model Using Econometric Modeler App . . . . . . . . . . . . . . 7-39

ARIMA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-42

ARIMA Model Specifications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-44

Default ARIMA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-44
ARIMA Model with Known Parameter Values . . . . . . . . . . . . . . . . . . . . . 7-45
Specify ARIMA Model Using Econometric Modeler App . . . . . . . . . . . . . 7-45

Multiplicative ARIMA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-49

Multiplicative ARIMA Model Specifications . . . . . . . . . . . . . . . . . . . . . . . 7-51

Seasonal ARIMA Model with No Constant Term . . . . . . . . . . . . . . . . . . . 7-51
Seasonal ARIMA Model with Known Parameter Values . . . . . . . . . . . . . . 7-52
Specify Multiplicative ARIMA Model Using Econometric Modeler App . . 7-53

Specify Multiplicative ARIMA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-58

xi
 ARIMA Model Including Exogenous Covariates . . . . . . . . . . . . . . . . . . . . 7-62
ARIMAX(p,D,q) Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-62
Conventions and Extensions of the ARIMAX Model . . . . . . . . . . . . . . . . . 7-62

ARIMAX Model Specifications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-64

Create ARIMAX Model Using Name-Value Pairs . . . . . . . . . . . . . . . . . . . 7-64
Specify ARMAX Model Using Dot Notation . . . . . . . . . . . . . . . . . . . . . . . 7-65
Specify ARIMAX or SARIMAX Model Using Econometric Modeler App . . 7-66

Modify Properties of Conditional Mean Model Objects . . . . . . . . . . . . . . 7-70

Dot Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-70
Nonmodifiable Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-73

Specify Conditional Mean Model Innovation Distribution . . . . . . . . . . . . 7-75

About the Innovation Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-75
Choices for the Variance Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-75
Choices for the Innovation Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . 7-75
Specify the Innovation Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-76
Modify the Innovation Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-78

Specify Conditional Mean and Variance Models . . . . . . . . . . . . . . . . . . . . 7-80

Impulse Response Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-84

Plot the Impulse Response Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-85

Moving Average Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-85
Autoregressive Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-86
ARMA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-87

Box-Jenkins Differencing vs. ARIMA Estimation . . . . . . . . . . . . . . . . . . . 7-89

Maximum Likelihood Estimation for Conditional Mean Models . . . . . . . 7-92

Innovation Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-92
Loglikelihood Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-92

Conditional Mean Model Estimation with Equality Constraints . . . . . . . 7-94

Presample Data for Conditional Mean Model Estimation . . . . . . . . . . . . 7-95

Initial Values for Conditional Mean Model Estimation . . . . . . . . . . . . . . 7-97

Optimization Settings for Conditional Mean Model Estimation . . . . . . . 7-99

Optimization Options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-99
Conditional Mean Model Constraints . . . . . . . . . . . . . . . . . . . . . . . . . . 7-101

Estimate Multiplicative ARIMA Model . . . . . . . . . . . . . . . . . . . . . . . . . . 7-102

Model Seasonal Lag Effects Using Indicator Variables . . . . . . . . . . . . . 7-105

Forecast IGD Rate from ARX Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-109

Estimate Conditional Mean and Variance Model . . . . . . . . . . . . . . . . . . 7-115

Choose ARMA Lags Using BIC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-120

xii Contents
 Infer Residuals for Diagnostic Checking . . . . . . . . . . . . . . . . . . . . . . . . . 7-123

Monte Carlo Simulation of Conditional Mean Models . . . . . . . . . . . . . . 7-128

What Is Monte Carlo Simulation? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-128
Generate Monte Carlo Sample Paths . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-128
Monte Carlo Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-129

Presample Data for Conditional Mean Model Simulation . . . . . . . . . . . 7-130

Transient Effects in Conditional Mean Model Simulations . . . . . . . . . . 7-131

Simulate Stationary Processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-132

Simulate AR Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-132
Simulate MA Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-136

Simulate Trend-Stationary and Difference-Stationary Processes . . . . . 7-140

Simulate Multiplicative ARIMA Models . . . . . . . . . . . . . . . . . . . . . . . . . 7-144

Simulate Conditional Mean and Variance Models . . . . . . . . . . . . . . . . . 7-147

Monte Carlo Forecasting of Conditional Mean Models . . . . . . . . . . . . . 7-151

Monte Carlo Forecasts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-151
Advantage of Monte Carlo Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . 7-151

MMSE Forecasting of Conditional Mean Models . . . . . . . . . . . . . . . . . . 7-152

What Are MMSE Forecasts? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-152
How forecast Generates MMSE Forecasts . . . . . . . . . . . . . . . . . . . . . . 7-152
Forecast Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-153

Convergence of AR Forecasts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-155

Forecast Multiplicative ARIMA Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-159

Specify Presample and Forecast Period Data To Forecast ARIMAX Model

........................................................ 7-162

Forecast Conditional Mean and Variance Model . . . . . . . . . . . . . . . . . . . 7-166

Model and Simulate Electricity Spot Prices Using the Skew-Normal

Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-169

Conditional Variance Models

8
Conditional Variance Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-2
General Conditional Variance Model Definition . . . . . . . . . . . . . . . . . . . . . 8-2
GARCH Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-3
EGARCH Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-3
GJR Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-4

xiii
 Specify GARCH Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-6
Default GARCH Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-6
Specify Default GARCH Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-7
Using Name-Value Pair Arguments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-8
Specify GARCH Model Using Econometric Modeler App . . . . . . . . . . . . . 8-11
Specify GARCH Model with Mean Offset . . . . . . . . . . . . . . . . . . . . . . . . . 8-13
Specify GARCH Model with Known Parameter Values . . . . . . . . . . . . . . . 8-14
Specify GARCH Model with t Innovation Distribution . . . . . . . . . . . . . . . 8-14
Specify GARCH Model with Nonconsecutive Lags . . . . . . . . . . . . . . . . . . 8-15

Specify EGARCH Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-17

Default EGARCH Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-17
Specify Default EGARCH Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-19
Using Name-Value Pair Arguments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-19
Specify EGARCH Model Using Econometric Modeler App . . . . . . . . . . . . 8-22
Specify EGARCH Model with Mean Offset . . . . . . . . . . . . . . . . . . . . . . . . 8-24
Specify EGARCH Model with Nonconsecutive Lags . . . . . . . . . . . . . . . . . 8-24
Specify EGARCH Model with Known Parameter Values . . . . . . . . . . . . . . 8-25
Specify EGARCH Model with t Innovation Distribution . . . . . . . . . . . . . . 8-26

Specify GJR Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-28

Default GJR Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-28
Specify Default GJR Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-29
Using Name-Value Pair Arguments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-30
Specify GJR Model Using Econometric Modeler App . . . . . . . . . . . . . . . . 8-33
Specify GJR Model with Mean Offset . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-35
Specify GJR Model with Nonconsecutive Lags . . . . . . . . . . . . . . . . . . . . . 8-35
Specify GJR Model with Known Parameter Values . . . . . . . . . . . . . . . . . . 8-36
Specify GJR Model with t Innovation Distribution . . . . . . . . . . . . . . . . . . 8-37

Modify Properties of Conditional Variance Models . . . . . . . . . . . . . . . . . 8-39

Dot Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-39
Nonmodifiable Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-41

Specify the Conditional Variance Model Innovation Distribution . . . . . . 8-44

Specify Conditional Variance Model For Exchange Rates . . . . . . . . . . . . 8-47

Maximum Likelihood Estimation for Conditional Variance Models . . . . 8-52

Innovation Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-52
Loglikelihood Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-52

Conditional Variance Model Estimation with Equality Constraints . . . . 8-54

Presample Data for Conditional Variance Model Estimation . . . . . . . . . . 8-55

Initial Values for Conditional Variance Model Estimation . . . . . . . . . . . . 8-57

Optimization Settings for Conditional Variance Model Estimation . . . . 8-58

Optimization Options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-58
Conditional Variance Model Constraints . . . . . . . . . . . . . . . . . . . . . . . . . 8-60

Infer Conditional Variances and Residuals . . . . . . . . . . . . . . . . . . . . . . . . 8-62

Likelihood Ratio Test for Conditional Variance Models . . . . . . . . . . . . . . 8-66

xiv Contents
 Compare Conditional Variance Models Using Information Criteria . . . . 8-69

Monte Carlo Simulation of Conditional Variance Models . . . . . . . . . . . . 8-72

What Is Monte Carlo Simulation? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-72
Generate Monte Carlo Sample Paths . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-72
Monte Carlo Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-73

Presample Data for Conditional Variance Model Simulation . . . . . . . . . . 8-75

Simulate GARCH Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-76

Assess EGARCH Forecast Bias Using Simulations . . . . . . . . . . . . . . . . . . 8-81

Simulate Conditional Variance Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-86

Monte Carlo Forecasting of Conditional Variance Models . . . . . . . . . . . . 8-89

Monte Carlo Forecasts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-89
Advantage of Monte Carlo Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . 8-89

MMSE Forecasting of Conditional Variance Models . . . . . . . . . . . . . . . . . 8-90

What Are MMSE Forecasts? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-90
EGARCH MMSE Forecasts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-90
How forecast Generates MMSE Forecasts . . . . . . . . . . . . . . . . . . . . . . . 8-90

Forecast GJR Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-94

Forecast a Conditional Variance Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-97

Converting from GARCH Functions to Model Objects . . . . . . . . . . . . . . . 8-99

Multivariate Time Series Models

9
Vector Autoregression (VAR) Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-3
Types of Stationary Multivariate Time Series Models . . . . . . . . . . . . . . . . 9-3
Lag Operator Representation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-5
Stable and Invertible Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-6
Models with Regression Component . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-6
VAR Model Workflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-7

Multivariate Time Series Data Formats . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-10

Multivariate Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-10
Load Multivariate Economic Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-10
Multivariate Data Format . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-12
Preprocess Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-14
Time Base Partitions for Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-15
Partition Multivariate Time Series Data for Estimation . . . . . . . . . . . . . . 9-17

Vector Autoregression (VAR) Model Creation . . . . . . . . . . . . . . . . . . . . . . 9-19

Create VAR Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-19
Fully Specified Model Object . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-20
Model Template for Unrestricted Estimation . . . . . . . . . . . . . . . . . . . . . . 9-22

xv
 Partially Specified Model Object for Restricted Estimation . . . . . . . . . . . 9-23
Display and Change Model Objects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-23
Select Appropriate Lag Order . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-26

Create and Adjust VAR Model Using Shorthand Syntax . . . . . . . . . . . . . . 9-29

Create and Adjust VAR Model Using Longhand Syntax . . . . . . . . . . . . . . 9-31

VAR Model Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-33

Preparing VAR Models for Fitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-33
Fitting Models to Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-33
Examining the Stability of a Fitted Model . . . . . . . . . . . . . . . . . . . . . . . . 9-34

Convert VARMA Model to VAR Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-36

Fit VAR Model of CPI and Unemployment Rate . . . . . . . . . . . . . . . . . . . . 9-37

Fit VAR Model to Simulated Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-41

VAR Model Forecasting, Simulation, and Analysis . . . . . . . . . . . . . . . . . . 9-43

VAR Model Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-43
Data Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-45
Calculating Impulse Responses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-45

Generate VAR Model Impulse Responses . . . . . . . . . . . . . . . . . . . . . . . . . 9-47

Compare Generalized and Orthogonalized Impulse Response Functions

......................................................... 9-51

Forecast VAR Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-59

Forecast VAR Model Using Monte Carlo Simulation . . . . . . . . . . . . . . . . 9-62

Forecast VAR Model Conditional Responses . . . . . . . . . . . . . . . . . . . . . . . 9-65

Implement Seemingly Unrelated Regression . . . . . . . . . . . . . . . . . . . . . . 9-69

Estimate Capital Asset Pricing Model Using SUR . . . . . . . . . . . . . . . . . . 9-74

Simulate Responses of Estimated VARX Model . . . . . . . . . . . . . . . . . . . . 9-77

Simulate VAR Model Conditional Responses . . . . . . . . . . . . . . . . . . . . . . 9-84

Simulate Responses Using filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-88

VAR Model Case Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-90

Convert from vgx Functions to Model Objects . . . . . . . . . . . . . . . . . . . . 9-104

Cointegration and Error Correction Analysis . . . . . . . . . . . . . . . . . . . . . 9-107

Integration and Cointegration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-107
Cointegration and Error Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-107
The Role of Deterministic Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-108
Cointegration Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-109

xvi Contents
 Determine Cointegration Rank of VEC Model . . . . . . . . . . . . . . . . . . . . 9-111

Identifying Single Cointegrating Relations . . . . . . . . . . . . . . . . . . . . . . . 9-113

The Engle-Granger Test for Cointegration . . . . . . . . . . . . . . . . . . . . . . . 9-113
Limitations of the Engle-Granger Test . . . . . . . . . . . . . . . . . . . . . . . . . . 9-113

Test for Cointegration Using the Engle-Granger Test . . . . . . . . . . . . . . 9-116

Estimate VEC Model Parameters Using egcitest . . . . . . . . . . . . . . . . . . 9-120

VEC Model Monte Carlo Forecasts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-123

Generate VEC Model Impulse Responses . . . . . . . . . . . . . . . . . . . . . . . . 9-131

Identifying Multiple Cointegrating Relations . . . . . . . . . . . . . . . . . . . . . 9-135

Test for Cointegration Using the Johansen Test . . . . . . . . . . . . . . . . . . . 9-136

Estimate VEC Model Parameters Using jcitest . . . . . . . . . . . . . . . . . . . . 9-138

Compare Approaches to Cointegration Analysis . . . . . . . . . . . . . . . . . . . 9-141

Testing Cointegrating Vectors and Adjustment Speeds . . . . . . . . . . . . . 9-144

Test Cointegrating Vectors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-145

Test Adjustment Speeds . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-147

Structural Change Models

10
Discrete-Time Markov Chains . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-2
What Are Discrete-Time Markov Chains? . . . . . . . . . . . . . . . . . . . . . . . . 10-2
Discrete-Time Markov Chain Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-3

Markov Chain Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-8

Discrete-Time Markov Chain Object Framework Overview . . . . . . . . . . . 10-8
Markov Chain Analysis Workflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-11

Create and Modify Markov Chain Model Objects . . . . . . . . . . . . . . . . . . 10-17

Create Markov Chain from Stochastic Transition Matrix . . . . . . . . . . . . 10-17
Create Markov Chain from Random Transition Matrix . . . . . . . . . . . . . 10-19
Specify Structure for Random Markov Chain . . . . . . . . . . . . . . . . . . . . 10-20

Work with State Transitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-23

Visualize Markov Chain Structure and Evolution . . . . . . . . . . . . . . . . . . 10-27

Determine Asymptotic Behavior of Markov Chain . . . . . . . . . . . . . . . . . 10-39

Identify Classes in Markov Chain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-47

xvii
 Compare Markov Chain Mixing Times . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-50

Simulate Random Walks Through Markov Chain . . . . . . . . . . . . . . . . . . 10-59

Compute State Distribution of Markov Chain at Each Time Step . . . . . 10-66

State-Space Models
11
What Are State-Space Models? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-3
Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-3
State-Space Model Creation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-5

What Is the Kalman Filter? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-7

Standard Kalman Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-7
State Forecasts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-8
Filtered States . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-8
Smoothed States . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-9
Smoothed State Disturbances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-9
Forecasted Observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-10
Smoothed Observation Innovations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-10
Kalman Gain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-11
Backward Recursion of the Kalman Filter . . . . . . . . . . . . . . . . . . . . . . . 11-11
Diffuse Kalman Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-12

Explicitly Create State-Space Model Containing Known Parameter Values

........................................................ 11-13

Create State-Space Model with Unknown Parameters . . . . . . . . . . . . . . 11-15

Explicitly Create State-Space Model Containing Unknown Parameters
.................................................... 11-15
Implicitly Create Time-Invariant State-Space Model . . . . . . . . . . . . . . . 11-16

Create State-Space Model Containing ARMA State . . . . . . . . . . . . . . . . 11-18

Implicitly Create State-Space Model Containing Regression Component

........................................................ 11-21

Implicitly Create Diffuse State-Space Model Containing Regression

Component . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-23

Implicitly Create Time-Varying State-Space Model . . . . . . . . . . . . . . . . 11-25

Implicitly Create Time-Varying Diffuse State-Space Model . . . . . . . . . . 11-27

Create State-Space Model with Random State Coefficient . . . . . . . . . . 11-30

Estimate Time-Invariant State-Space Model . . . . . . . . . . . . . . . . . . . . . . 11-32

Estimate Time-Varying State-Space Model . . . . . . . . . . . . . . . . . . . . . . . 11-35

xviii Contents
Estimate Time-Varying Diffuse State-Space Model . . . . . . . . . . . . . . . . . 11-39

Estimate State-Space Model Containing Regression Component . . . . . 11-43

Filter States of State-Space Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-45

Filter Time-Varying State-Space Model . . . . . . . . . . . . . . . . . . . . . . . . . . 11-48

Filter Time-Varying Diffuse State-Space Model . . . . . . . . . . . . . . . . . . . 11-53

Filter States of State-Space Model Containing Regression Component

........................................................ 11-59

Smooth States of State-Space Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-62

Smooth Time-Varying State-Space Model . . . . . . . . . . . . . . . . . . . . . . . . 11-65

Smooth Time-Varying Diffuse State-Space Model . . . . . . . . . . . . . . . . . . 11-71

Smooth States of State-Space Model Containing Regression Component

........................................................ 11-77

Simulate States and Observations of Time-Invariant State-Space Model

........................................................ 11-80

Simulate Time-Varying State-Space Model . . . . . . . . . . . . . . . . . . . . . . . 11-83

Simulate States of Time-Varying State-Space Model Using Simulation

Smoother . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-87

Estimate Random Parameter of State-Space Model . . . . . . . . . . . . . . . . 11-90

Forecast State-Space Model Using Monte-Carlo Methods . . . . . . . . . . . 11-97

Forecast State-Space Model Observations . . . . . . . . . . . . . . . . . . . . . . 11-103

Forecast Observations of State-Space Model Containing Regression

Component . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-106

Forecast Time-Varying State-Space Model . . . . . . . . . . . . . . . . . . . . . . 11-110

Forecast State-Space Model Containing Regime Change in the Forecast

Horizon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-114

Forecast Time-Varying Diffuse State-Space Model . . . . . . . . . . . . . . . . 11-119

Compare Simulation Smoother to Smoothed States . . . . . . . . . . . . . . 11-123

Rolling-Window Analysis of Time-Series Models . . . . . . . . . . . . . . . . . 11-128

Rolling-Window Analysis for Parameter Stability . . . . . . . . . . . . . . . . . 11-128
Rolling Window Analysis for Predictive Performance . . . . . . . . . . . . . . 11-128

Assess State-Space Model Stability Using Rolling Window Analysis . 11-131

Assess Model Stability Using Rolling Window Analysis . . . . . . . . . . . . 11-131

xix
 Assess Stability of Implicitly Created State-Space Model . . . . . . . . . . 11-134

Choose State-Space Model Specification Using Backtesting . . . . . . . . 11-138

Functions
12

Appendices
A
Data Sets and Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A-2

Glossary

xx Contents
 1

Getting Started

• “Econometrics Toolbox Product Description” on page 1-2

• “Econometric Modeling” on page 1-3
• “Econometrics Toolbox Model Objects, Properties, and Object Functions” on page 1-7
• “Stochastic Process Characteristics” on page 1-16
• “Bibliography” on page 1-22
1 Getting Started

Econometrics Toolbox Product Description

Model and analyze financial and economic systems using statistical methods

Econometrics Toolbox provides functions for modeling and analyzing time series data. It offers a wide
range of diagnostic tests for model selection, including tests for impulse analysis, unit roots and
stationarity, cointegration, and structural change. You can estimate, simulate, and forecast economic
systems using a variety of models, including, regression, ARIMA, state space, GARCH, multivariate
VAR and VEC, and switching models representing dynamic shifts in data. The toolbox also provides
Bayesian and Markov-based tools for developing time-varying models that learn from new data.

1-2
 Econometric Modeling

Econometric Modeling
In this section...
“Model Selection” on page 1-3
“Econometrics Toolbox Features” on page 1-3

Model Selection
A probabilistic time series model is necessary for a wide variety of analysis goals, including
regression inference, forecasting, and Monte Carlo simulation. When selecting a model, aim to find
the most parsimonious model that adequately describes your data. A simple model is easier to
estimate, forecast, and interpret.

• Specification tests help you identify one or more model families that could plausibly describe the
data generating process.
• Model comparisons help you compare the fit of competing models, with penalties for complexity.
• Goodness-of-fit checks help you assess the in-sample adequacy of your model, verify that all model
assumptions hold, and evaluate out-of-sample forecast performance.

Model selection is an iterative process. When goodness-of-fit checks suggest model assumptions are
not satisfied—or the predictive performance of the model is not satisfactory—consider making model
adjustments. Additional specification tests, model comparisons, and goodness-of-fit checks help guide
this process.

Econometrics Toolbox Features

Modeling Features Related Functions
Questions
What is the • The conditional mean and variance models, regression • arima
dimension of my models with ARIMA errors, and Bayesian linear regression • bayeslm
response variable? models in this toolbox are for modeling univariate,
discrete-time data. • egarch

• Separate models are available for multivariate, discrete- • egcitest

time data, such as VAR and VEC models. • dssm
• State-space models support univariate or multivariate • garch
response variables. • gjr
• jcontest
• regARIMA
• ssm
• varm
Is my time series • Stationarity tests are available. If your data is not • arima
stationary? stationary, consider transforming your data. Stationarity is • i10test
the foundation of many time series models.
• kpsstest
• Or, consider using a nonstationary ARIMA model if there
is evidence of a unit root in your data. • lmctest

1-3
1 Getting Started

Modeling Features Related Functions

Questions
Does my time series • Unit root tests are available. Evidence in favor of a unit • adftest
have a unit root? root suggests your data is difference stationary. • arima
• You can difference a series with a unit root until it is • i10test
stationary, or model it using a nonstationary ARIMA
model. • pptest
• vratiotest
How can I handle • You can deseasonalize (seasonally adjust) your data. Use • arima
seasonal effects? seasonal filters or regression models to estimate the • regARIMA
seasonal component.
• Seasonal ARIMA models use seasonal differencing to
remove seasonal effects. You can also include seasonal
lags to model seasonal autocorrelation (both additively
and multiplicatively).
Is my data • Sample autocorrelation and partial autocorrelation • arima
autocorrelated? functions help identify autocorrelation. • autocorr
• Conduct a Ljung-Box Q-test to test autocorrelations at • fgls
several lags jointly.
• hac
• If autocorrelation is present, consider using a conditional
mean model. • lbqtest

• For regression models with autocorrelated errors, • parcorr

consider using FGLS or HAC estimators. If the error • regARIMA
model structure is an ARIMA model, consider using a
regression model with ARIMA errors.
What if my data is • Looking for autocorrelation in the squared residual series • archtest
heteroscedastic is one way to detect conditional heteroscedasticity. • egarch
(exhibits volatility • Engle’s ARCH test evaluates evidence against the null of • fgls
clustering)? independent innovations in favor of an ARCH model
alternative. • garch

• To model conditional heteroscedasticity, consider using a • gjr

conditional variance model. • hac
• For regression models that exhibit heteroscedastic errors,
consider using FGLS or HAC estimators.
Is there an • You can use a Student’s t distribution to model fatter tails • arima
alternative to a than a Gaussian distribution (excess kurtosis). • egarch
Gaussian innovation • You can specify a t innovation distribution for all
distribution for • garch
conditional mean and variance models, and ARIMA error
leptokurtic data? models in Econometrics Toolbox. • gjr

• You can estimate the degrees of freedom of the t • regARIMA

distribution along with other model parameters.

1-4
 Econometric Modeling

Modeling Features Related Functions

Questions
How do I decide • You can compare nested models using misspecification • aicbic
between several tests, such as the likelihood ratio test, Wald’s test, or • lmtest
model fits? Lagrange multiplier test.
• lratiotest
• Information criteria, such as AIC or BIC, compare model
fit with a penalty for complexity. • waldtest
Do I have two or • The Johansen and Engle-Granger cointegration tests • egcitest
more time series that assess evidence of cointegration. • jcitest
are cointegrated? • Consider using the VEC model for modeling multivariate, • jcontest
cointegrated series.
• Also consider cointegration when regressing time series.
If present, it can introduce spurious regression effects.
What if I want to • ARIMAX, VARX, regression models with ARIMA errors, • arima
include predictor and Bayesian linear regression models are available in • bayeslm
variables? this toolbox.
• dssm
• State-space models support predictor data.
• ssm
• regARIMA
• varm
What if I want to • Regression models with ARIMA errors are available in this • bayeslm
implement toolbox. • fgls
regression, but the • Regress robustly using FGLS or HAC estimators.
classical linear • hac
model assumptions • Use Bayesian linear regression. • mvregress
might not apply? • For a series of examples on time series regression • regARIMA
techniques that illustrate common principles and tasks in
time series regression modeling, see Econometrics
Toolbox Examples.
• For more regression options, see Statistics and Machine
Learning Toolbox™ documentation.
What if observations Standard, linear state-space modeling is available in this • dssm
of a dynamic process toolbox. • ssm
include
measurement error?

See Also

Related Examples
• “Box-Jenkins Model Selection” on page 3-4
• “Detect Autocorrelation” on page 3-15
• “Detect ARCH Effects” on page 3-22
• “Unit Root Tests” on page 3-32
• “Time Series Regression I: Linear Models”

1-5
1 Getting Started

• “Time Series Regression II: Collinearity and Estimator Variance”

• “Time Series Regression III: Influential Observations”
• “Time Series Regression IV: Spurious Regression”
• “Time Series Regression V: Predictor Selection”
• “Time Series Regression VI: Residual Diagnostics”
• “Time Series Regression VII: Forecasting”
• “Time Series Regression VIII: Lagged Variables and Estimator Bias”
• “Time Series Regression IX: Lag Order Selection”
• “Time Series Regression X: Generalized Least Squares and HAC Estimators”

More About
• “Trend-Stationary vs. Difference-Stationary Processes” on page 2-6
• “Box-Jenkins Methodology” on page 3-2
• “Goodness of Fit” on page 3-63
• “Regression Models with Time Series Errors” on page 5-5
• “Nonspherical Models” on page 3-67
• “Conditional Mean Models” on page 7-3
• “Conditional Variance Models” on page 8-2
• “Vector Autoregression (VAR) Models” on page 9-3
• “Cointegration and Error Correction Analysis” on page 9-107

1-6
 Econometrics Toolbox Model Objects, Properties, and Object Functions

Econometrics Toolbox Model Objects, Properties, and Object

Functions
In this section...
“Model Objects” on page 1-7
“Model Properties” on page 1-8
“Specify Models” on page 1-10
“Retrieve Model Properties” on page 1-13
“Modify Model Properties” on page 1-14
“Object Functions” on page 1-15

Model Objects
After you have a potential model for your data, you must specify the model to MATLAB® to proceed
with your analysis. Econometrics Toolbox has model objects for storing discrete-time econometric
models.

For univariate series, the available model objects are:

• arima — for integrated, autoregressive, moving average (ARIMA) models optionally containing
exogenous predictor variables
• garch — for generalized autoregressive conditional heteroscedasticity models (GARCH)
• egarch — for exponential GARCH models
• gjr — for Glosten-Jagannathan-Runkle models
• regARIMA — for regression models with ARIMA errors

For multivariate series, the available model objects are:

• varm — for vector autoregression models optionally containing exogenous predictor variables
• vecm — for vector error-correction (cointegrated VARM) models optionally containing exogenous
predictor variables

Econometrics Toolbox supports univariate Bayesian linear regression analysis. Bayesian linear
regression model objects specify the joint prior distribution of the regression coefficients and
disturbance variance. The available prior model objects are:

• conjugateblm — for the normal-inverse-gamma conjugate prior model. The regression

coefficients and disturbance variance are dependent random variables.
• semiconjugateblm — for the normal-inverse-gamma semiconjugate prior model. The regression
coefficients and disturbance variance are independent random variables.
• diffuseblm — the joint prior distribution is proportional to the inverse of the disturbance
variance.
• empiricalblm — the joint prior distribution is specified by a random sample from the joint
posterior distribution.
• customblm — the joint prior distribution is specified in a custom function that you declare.

To perform Bayesian variable selection, available prior model objects are:

1-7
1 Getting Started

• mixconjugateblm — for performing stochastic search variable selection (SSVS). The regression
coefficients and disturbance variance are dependent random variables (the prior and posterior
distributions are conjugate).
• mixsemiconjugateblm — for performing SSVS. The regression coefficients and disturbance
variance are independent random variables (the prior and posterior distributions are
semiconjugate).
• lassoblm — for performing Bayesian lasso regression.

Econometrics Toolbox supports modelling and analyzing discrete or continuous state Markov models.
Available model objects are:

• dtmc — for discrete-time Markov chain models characterized by transition matrices.

• ssm — for continuous, multivariate state-space models optionally containing exogenous predictor
variables
• dssm — for continuous, multivariate state-space models with diffuse initial states optionally
containing exogenous predictor variables

To create a model object, specify the form of your model to one of the model functions (e.g., arima or
garch). The function creates the model object of the corresponding type in the MATLAB workspace,
as shown in the figure.

You can work with model objects as you would with any other variable in MATLAB. For example, you
can assign the object variable a name, view it in the MATLAB Workspace, and display its value in the
Command Window by typing its name.

This image shows a workspace containing an arima model named Mdl.

Model Properties
A model object holds all the information necessary to estimate, simulate, and forecast econometric
models. This information includes the:

• Parametric form of the model

• Number of model parameters (e.g., the degree of the model)

1-8
 Econometrics Toolbox Model Objects, Properties, and Object Functions

• Innovation distribution (Gaussian or Student’s t)

• Amount of presample data needed to initialize the model

Such pieces of information are properties of the model, which are stored as fields within the model
object. In this way, a model object resembles a MATLAB data structure (struct array).

The five model types—arima, garch, egarch, gjr, and regARIMA—have properties according to the
econometric models they support. Each property has a predefined name, which you cannot change.

For example, arima supports conditional mean models (multiplicative and additive AR, MA, ARMA,
ARIMA, and ARIMAX processes). Every arima model object has these properties, shown with their
corresponding names.

Property Name Property Description

Constant Model constant
AR Nonseasonal AR coefficients
MA Nonseasonal MA coefficients
SAR Seasonal AR coefficients (in a multiplicative model)
SMA Seasonal MA coefficients (in a multiplicative model)
D Degree of nonseasonal differencing
Seasonality Degree of seasonal differencing
Variance Variance of the innovation distribution
Distribution Parametric family of the innovation distribution
P Amount of presample data needed to initialize the AR component of
the model
Q Amount of presample data needed to initialize the MA component of
the model

When a model object exists in the workspace, double-click its name in the Workspace window to open
the Variable Editor. The Variable Editor shows all model properties and their names.

1-9
Exploring the Variety of Random
Documents with Different Content
 Kiireesti sieppasi pappi vaatteet yllensä. Sydän alkoi kiivaasti
sykkiä. Ehkä se jo osasi huonoja uutisia aavistaa. Hän aukaisi ulko-
oven ja astui rappusille.

— Tässä olen, hyvä Billeghi. Mitä teillä on tuomisia?

Billeghi ei kuitenkaan seisonut enää siinä, vaan loitompana tiellä,

viljakuormansa vieressä irrottamassa koria, missä pikku Veronka ja
hanhi olivat. Hevoset olivat väsyneet, päät painuksissa. Toinen niistä
olisi mielellään laskeutunut maata ja sitä jo yrittikin, mutta vetotanko
esti. Koettaessaan painautua toiselle kylelleen se tunsi valjashihnojen
painuvan nahkaansa, eikä hevosen kunnia salli mukavuutta etsiä
niinkauan kuin valjaat ovat selässä. Oudosti ovat silloin asiat, kun
valjaissa oleva hevonen makaamaan laskeutuu. Niin kehittynyt on
hevosella velvollisuudentunto.

Billeghi sattui kääntymään ja huomasi nyt papin seisovan

rappusilla.

— Ka, Jankó! Kas, kuinka olet kasvanut! Sinustapa on tullut

solakka mies. Kyllä äitisi ihmettelisi, jos eläisi. Lempo vieköön tämän
köyden, sain siihen liian lujan solmun.

Pappi astui muutaman askeleen rattaita kohden, missä isäntä

Billeghi yhä puuhaili saadakseen koria kuormasta irti. Sanat "jos äitisi
eläisi" tuntuivat hänestä kuin kiven isku vasten otsaa; päätä alkoi
huimata, jalat horjua.

— Mitä puhuitte äidistäni? — sopersi hän kalpeana. — Onko äitini

kuollut?
 — Jo laski raukka lusikan kädestään. Mutta tässä, — ottaen
taskustaan puuvartisen linkkuveitsen hän alkoi sahata poikki köyttä,
— on pikku sisaresi, vaan Herra armahtakoon, minullahan on oikea
kananpää, en jaksa edes muistaa että puhuttelen pappia… toin
tänne kunnianarvoisan pastorin pikku siskon. Mihin saan hänet
viedä?

Näin sanoen nosti hän kuormalta korin, missä lapsi nukkui sikeästi
ja rauhallisesti, hanhi vieressään. Hanhi näytti vartioivan tyttöä kuten
hyväkin lapsenpiika, karkoittaen alituisilla päänliikkeillä pois kärpäset,
jotka olivat halukkaita asettumaan lapsen huulille, aivankuin hunajaa
niistä imeäkseen.

Syksyisen päivän kalpea rusko punasi korin ja siinä nukkuvan

lapsen. Kysyvästi loi isäntä Máthé vaaleansiniset silmänsä pappiin,
odottaen että tämä jotakin vastaisi.

— Kuollutko? — hän vihdoin kysäsi. — Sehän on mahdotonta.

Minulla ei ole siitä ollut aavistustakaan.

Sitten tarttui hän otsaansa ja huudahti katkerasti:

— Eikä kukaan minulle siitä ilmottanut, ei kukaan. En tietänyt tulla

hautajaisiinkaan!

— Enpä ollut siellä minäkään, — vastasi isäntä. — Tämä oli kenties

lausuttu lohdutuksen tapaiseksi; sitte lisäsi hän kuitenkin
hyväntahtoisesti: Jumala hänet korjasi luokseen, nouti istuimensa
eteen. Eipä jätä tänne meistä ketään. Hyi noita ilkeitä sammakoita;
astuin taas yhden päälle.
 Pappilan ruohoisella, vesiheinää ja hullunruohoa kasvavalla pihalla
näet sammakot iloisesti hyppelivät suutaan maiskutellen, tultuaan
esiin kirkon kosteasta kivijalasta tänne päivää paistattamaan.

— Mihin vien lapsen? — toisti Billeghi kysymyksensä, mutta kun ei

saanut vastausta, laski hän korin varovasti rappusille.

Pappi oli aivan masentunut; hän seisoi siinä tunteetonna, raskaasti

hengittäen ja maahan tuijottaen. Hänestä tuntui, kuin olisi maa
taloineen, sälöaitoineen, Billeghineen ja korineen päivineen pyörinyt,
mutta hän itse seisonut paikallaan, kykenemättä mihinkään
liikkumaan. Tuolla loitompana suhisivat metsän hongat, aivankuin
olisi jotain ihmeellistä, sydämeen käypää kuiskutusta äidin puhetta
sieltä kuulunut. Vavisten hän sitä kuunteli, koettaen tarkata noita
ääniä, mutta juuri kun hän oli niistä jotain eroittavinaan ja
käsittävinään, hämmensi ne aina jokin erikoinen humaus. Vaan
hiljaa, hiljaa! Taas kuului äidin ääni metsästä. Jankó, hoida lasta
Jankó!

János-pastorin kuunnellessa näitä toisen maailman ääniä kyllästyi

Billeghi-isäntä tuohon äänettömyyteen; — olisi joutanut edes suuren
kiitoksen antaa, jos ei muuta. — Kun kerran niin on, niin on, — hän
murisi äkäisenä, piiskaa viuhauttaen. — Hyvästi, herra pastori! Hei,
hevoset!

Pappi en virkkanut vieläkään mitään, ei edes huomannut mitä

ympärillään tapahtui; hevoset olivat jo lähteneet liikkeelle astumaan
mäkeä ylöspäin, rinnalla isäntä Billeghi, itsekseen suuttuneena
mutisten, miten tavallista on tässä maailmassa ettei kananpoika
riikinkukoksi päästyään enää entisiään muista. Päästyänsä mäen
päälle hän vilkasi vielä kerran taakseen ja huomatessaan entisen
opettajan pojan yhä vielä seisovan siellä liikkumatonna hän huusi
ikäänkäin rauhoittaaksensa mieltään velvollisuutensa täyttämällä:

— Toin teille, mitä oli tuotavaa! — Tämä huuto herätti pastorin

jälleen tuntoihinsa; häntä puistatti. Hänen sielunsa palasi äskeiseltä
surulliselta retkeilyltään. Se oli käynyt kaukana äitiä etsimässä. Ensi
töikseen hän riensi äitinsä luo, hänen kanssaan hän vietti nyt vielä
kerran sekä sen ajan, jonka hän oli elänyt hänen kanssaan, että
myöskin mielikuvituksessaan sen, jonka hän oli viettänyt kaukana
poissa hänen luotaan. Hän oli olevinaan äitinsä kuolinvuoteen
ääressä polvillaan, rukoillen, ja mitä äiti silloin ajatteli, mitä hänellä
oli sanomista, hänen viimeiset huokauksensa olivat nousseet ilmaan,
joka antoi ne tuulen tuotavaksi, ja tuuli taasen ne metsästä huhuili:
hoida lasta Jankó!

Eipä tarvinnut pojan olla kotona saadakseen tietää kuolevan

äitinsä viimeisen tahdon ja toivomuksen. Ei tarvinnut sitä panna
paperille eikä toimittaa menemään sähkölankaa myöten, sen tekivät
toiset, suuremmat voimat.

Vaistomaisesti tuli János ensin ajatelleeksi että oli juostava

Billeghin perään, pyydettävä häntä pysähtymään ja kertomaan kaikki
mitä mies tiesi hänen äidistään, miten tämä oli elänyt nämät kaksi
vuotta, miten oli kuollut, miten haudattu, kaikki, kaikki. Mutta
Halápin mies oli jo ehtinyt kauas, ja nyt vasta kiintyi hänen
katseensa koriin.

Siinä siis nukkui hänen pikku siskonsa. Nuori pappi ei ollut häntä
vielä koskaan nähnyt. Viimeisen kerran kävi hän kotonansa isänsä
hautajaisissa, eikä pikku Veronkaa vielä silloin ollut, vain äitinsä
kirjeistä hän sai sittemmin tietää hänen syntymänsä, ja nämät kirjeet
olivat kovin häveliäät ja harvasanaiset.
 János astui nyt korin luo, katsellen lapsen pyöreitä, kauniita
kasvoja. Onpa äitinsä näköinen, hän ajatteli, ja hänen siinä
katsellessaan ja lasta tarkatessaan, alkoivat nuo kasvot hänen
kyyneltyneissä silmissään muuttua ja kasvaa, kunnes yhtäkkiä
ilmestyivät hänen eteensä pienintä piirrettä myöten äidin kasvot.
Herra Jumala, mikä ihme tämä, mikä lumous! Sitä kesti vain puolisen
minuttia. Sitte oli taas lapsonen hänen edessään. Kunpa avaisi
silmänsä. Siitäpä János olisi ihastunut, mutta lapsi ei niitä avannut;
pitkät ripset seisoivat suorina kuin mustat silkkiripsut.

Ja häntä minun pitää nyt ruveta kasvattamaan? — mietti János, ja

hänen sydämensä aivan heltyi. — Sen teenkin. Mutta millä? Millä
varoilla? Eihän ole syötävää itsellänikään. Mitä tehdä?

Kuten ennenkin mielen apeaksi painuessa ja käydessä

alakuloiseksi muisti hän nytkin rukouksen. Niinpä hän siis lähti
kirkkoon rukoilemaan. Herranhuoneen ovi sattui olemaan avoinna;
parisen eukkoa oli siellä sisällä siistimässä.

János pastori ei astunut alttarin eteen, siellä kun eukot paraikaa

hääräilivät, mutta aivan oven suussa oli seinällä vihkivesiastian
kohdalla puusta ja läkkipellistä tehty Jeesuksen kuva; sen eteen hän
polvistui.
PYHÄ PIETARI JA HÄNEN
SATEENVARJONSA.

Niin, Jeesuksen eteen pappi polvistui. Hän kääntyi Jeesuksen

puoleen — herramme Jeesuksen puoleen. Minkä onnen onkaan
ihmiskunnalle tuonut tämä Jeesus, Jumala, joka oli ihminen. Jumalaa
en pääse tuntemaan, mutta Jeesuksen tunnen. Jeesus on minun
tuttuni, hän on kaikkein tuttu. Tiedän mitä hän on tehnyt, tiedän
miten hän on ajatellut, tunnenpa hänen muotonsakin. Mieltäni ei
rauhoita se tieto, että hän on herrani, vaan se että hän on tuttavani.

Parisentuhatta vuotta sitten eli maan päällä muuan tuttavani, mikä

ihmiskuntaa yhteenliittävä ajatus! Silloiset ihmiset ja heidän
jälkeläisensäkin ovat jo aikoja sitten tomuksi maatuneet, tomusta on
ruohoa kasvanut, ruohosta Herra ties mitä, mutta hän, minun
tuttavani, on aina elänyt ja tulee aina elämään.

Jos matkustan kauas vieraille maille, vierasten kansojen

keskuuteen, missä ihmiset ovat toisenlaiset, eläimet, jopa kasvitkin
oudot, taivas toisennäköinen, kaikki outoa, tulen ajatelleeksi
yksinäisyyden ja avuttomuuden tunteen painostamana, etten ole
enää koko tässä maailmassa, kunnes yhtäkkiä jonkun
ihmisasutuksen laidassa silmiini siintää risti ja siinä riippumassa
haavoistaan verta vuotava läkkipeltimies. Tämä on minun tuttuni.

Ah, hänkin täällä! Siis täälläkin hän! Enkä minä enää ole yksin
enkä avutonna. Minäkin silloin polvistun hänen eteensä ja kerron
hänelle aivan kuin tuo pappi, mikä mieltäni painaa. — Auta minua,
Herra Jeesus — tällaisia ajatuksia János pastori nyt hänelle esitti. —
Äitini on kuollut, pikku siskoni on tuotu tänne minun
kasvatettavakseni. Olen köyhä, kokematon, en tiedä miten on lapsia
kasvatettava. Ohjaa, Jeesus, ajatuksiani oikeaan! Ja vuodata
pohjattomasta yltäkylläisyydestäsi keinoja voidakseni häntä elättää
ja hoitaa. Tee minulle ihme, Herra Jeesus!

Läkkipellistä tehty jumalanpoika tuntui kuuntelevan hänen

rukoustansa.
Varjot ja valojuovat, jotka ikkunoista ja seinistä häneen sattuivat
ja hänen kohdallaan väikkyivät, näyttivät hänen kasvojensa ilmeiltä.
Kesken tuskiensa tuntui hän hymyilevän:

— Hyvä on, hyvä on. Tiedän kaikki. Puutun asiaan.

Kauan pastori oli siinä rukoukseen vaipuneena, yhä uudestaan

alottaen, huomaamatta että sillä välin yht'äkkiä oli taivas käynyt
pilveen ja nuo mustat pilvet ennustivat myrskyn tuloa, kuten
syksyisin usein tapahtuu sellaisella, miltei luonnottoman lämpimällä
ilmalla, mikä näinä päivinä oli vallinnut. Hänen astuessaan ulos
kirkosta valuikin jo vettä virtanaan. Vuorilta kylän takaa vesi koskena
kohisi puroissa, ja eläimet ammuten laukkasivat pitkin teitä. János
joutui kauhun valtaan.

— Jätin lapsen sinne rappusille. Voi, nyt se meni!

 Kuin mielipuoli juoksi hän pappilaa kohden, ja nyt vasta hän sai
kummastella sitä näkyä, joka hänen silmilleen avautui.

Siellä oli kori vielä paikallaan. Lapsi istui korissa, mutta hanhi
juoksenteli pihalla. Satoi rankasti edelleen, tuuli pieksi sadetta
rappusillekin, vesi silläkin kohdalla virtana juoksi, mutta lapsi oli
kuivana, terveenä, sillä korin päällä oli levällään suuri, haalistunut
punanen sateenvarjo; sen kankaassa oli jo paikka paikan päällä,
sisäpuolella tuskin voi enää eroittaa kapeata kukkaisreunustetta,
joka kiersi ympäri laidan entisten aikojen muodin mukaan.

Nuori pappi loi kiitollisen katseen taivaille ja nostaen lapsen korista

hän suuteli sitä hellästi, sekä vei sen ynnä sateenvarjon köyhään
asuntoonsa.

Nyt olivat lapsen silmät auki, ne olivat siniset ja katselivat

kummastellen pappia.

— Olipa onni, — äännähti pastori — kun lapsi ei kastunut, olisi

voinut vilustua ja saada kuolemantaudin, varsinkin kun minulla ei
olisi ollut antaa kuivia vaatteita ylleen.

Mutta mistä oli tuo sateenvarjo sinne tullut? Käsittämätön asia!

Glogovassa ei ollut kellään sateenvarjoa.

Naapuritaloissa miehet kaivelivat ojia pihamailleen johtaaksensa

vettä pois. Pappi tiedusteli heiltä kaikilta asian laitaa.

— Ettekö ole nähnyt kenenkään käyvän lapsen luona?

Lapsen he kyllä olivat nähneet, mutta heidän tietääkseen ei

kukaan ollut sen luona käynyt.
 Adamecz Matyasin leski oli pellolta kotiin hame pään yllä
paetessaan nähnyt, että jotakin punaista pyöreää juuri silloin oli
laskeutunut alas taivaasta. Hän saisi muka paikalla muuttua
kivipatsaaksi, jos hän valehtelisi; itse Neitsyt Maaria oli laskenut alas
tuon kapineen orvon suojaksi.

Joutavia höpinöitä nuo Adameczin eukon puheet! Akka kallistelee

hieman liiaksi lasia, joten ei ole ihmekään, jos hän näkee liikoja.
Mennä kesänäkin oli Pietarin-Paavalin yönä taivas hänelle auennut,
hän oli kuullut enkelijoukkojen veisuuta ja nähnyt niiden kulkevan
pitkässä saattueessa Jumalan valtaistuimen ohi. Siellä oli saattoväen
seassa astunut hänen kolmanna kesänä kuollut tyttärenpoikansakin
liinaisissa roimahousuissaan ja yllään punanen liivi, jonka Adameczin
eukko itse oli aikoinaan neulonut, ja olipa hän nähnyt siellä joitakuita
muitakin viime vuosikymmenenä kuolleita glogovalaisia, astuvan
taivaallisen laulun tahdissa hitaasti ja juhlallisesti, ihan samoissa
pukimissa, joissa heidät oli haudattukin.

Kun sitte Pietarin-Paavalin päivän jälkeen tämä näky tuli tiedoksi,

oli sangen monella asiata pyhän lesken luo. Yhtämittaa kulki hänen
luonaan ihmisiä, joiden omaisia nukkui nurmen alla, kysymässä oliko
hän nähnyt heitä siellä taivaassa. Entä minun tyttöni? Entä isäni,
entä miesraukkani?

Häntä uskottiin nytkin, sillä olihan luonnollista että Adameczin

leskelle näytettiin taivaallisia asioita enemmän kuin muille vaimosta
syntyneille. Tapahtuipa kerran hänen herrassa nukkuneelle
isälleenkin, Flinta Andrásille, joka oli maan kuulu varas, todellinen
ihme, kun näet Glogovan hautuumaasta noin kahdeksan vuotta sitte
leikattiin palanen maantiehen ja aukaistiin hänen hautansa, jotta
arkku voitaisiin siirtää toiseen paikkaan, ja kun tällöin vanhusta
katseltiin, huomattiin se ihme, että parta oli haudassa kasvanut,
vaikka viisi miestä tiesi varmasti todistaa että karjapaimen Gundros
Tamás oli vainajan parran aivan puhtaaksi ajanut.

Että vanha Flinta nyt on taivaassa, se on yhtä selvä kuin se että

kaksi kertaa kaksi on neljä, ja kun hän, tuollainen kelvoton veitikka
kerran on siellä, saattaa hän kyllä joskus jättää oven raolleen
laskeakseen tyttärensä sisään tirkistämään…

Tosin kellonsoittaja Kvapka Pál väittää aivan toista. Hän sanoo että
kun hän rajuilman puhjetessa soitti kelloja pilviä karkottaakseen, ja
sattui vilkaisemaan taakseen, hän näki vanhan juutalaisen näköisen
ukon astua laahustavan pappilaa kohden ja että tämän kädessä oli
tuo suuri punanen kangaslautanen, jonka pastori sitte oli tavannut
korin päällä.

Kvapka ei tietenkään sen enempää siihen huomiotansa

kiinnittänyt, unissaan kun vielä oli ja tuulikin pölyä lennätti hänen
silmiinsä, muistaahan vain asian himmeästi. Mutta minkä muistaa,
sen hän tohtisi vaikka valalla todeksi vannoa, — ja Kvapka on
luotettava mies.

Tuon juutalaisen näköisen ukon olivat nähneet jotkut muutkin.

Vanha se oli, pitkä, valkoinen tukka, koukkuselkä, kädessä keppi,
jonka kahva oli solmussa kuin sian saparo. Pribilékin kaivolla oli tuuli
vienyt hatun hänen päästään ja silloin huomattiin ukon olevan aivan
paljaspäisen.

— Toden totta, — virkkoi suntio, joka myöskin oli nähnyt hänet

avopäin, — hän oli aivan sen näköinen kuin kirkkokuvissa pyhä
Pietari. Ihan samannäköinen, avaimia vain ei ollut kädessä.
 Pribilékin kaivolta oli hän oikaissut yli Stropovin niityn, missä
Krátkin lehmä, joka oli sinne omin lupinsa päässyt, yritti puskea
juutalaisukkoa, mutta oli tämä sitä lyönyt kepillään, ja siitä lähtien oli
lehmä — kysykää vain Kratkin perheeltä — ruvennut lypsämään
neljätoista tuoppia päivässä. Sitä ennen sai kiittää onneansa, kun se
antoi edes neljä.

Kylän laidassa vanhus oli vielä kysynyt myllärin piialta, mistä

menee tie Lehotaan. Tyttö oli sen hänelle neuvonut, ja oli ukko
lähtenyt kapuamaan polkua ylös vuoristoon. Vasta nyt muistaa
myllärin piika havainneensa jotain sädekehän tapaistakin vanhuksen
pään ympärillä tämän poistuessa hänen luotaan…

Tietysti se oli pyhä Pietari! Minkästähden ei olisi voinut hän olla?

Olihan hän taivaltanut monet matkat ennenkin Herran Kristuksen
kanssa. Onhan hänen tekosistaan niin monta kertomusta, että niitä
muistellaan vielä sadannessa polvessa. Mikä silloin ei ollut
mahdotonta, saattaa tapahtua vieläkin. Miehestä mieheen kulki
kylässä ihmeellinen huhu että viime rankkasateen aikana Jumala oli
lähettänyt kangasteltan pastorin pikku siskolle, jotta tämä ei kastuisi.
Orpojen ja avuttomien suojelija oli juoksuttanut pyhän Pietarin
itsensä sitä tuomaan.

Kelpasi lapsen nyt elää. Hän pääsi heti kaikkein lemmikiksi. Kylän
emännät alkoivat kaikella kiireellä paistaa piirakoita ja
pannukaakkuja viedäkseen niitä pikku tulokkaalle. Tuskin oli pastori
ovensa auki saanut, niin jo alkoi heitä lappaa sisään, kantaen
hienoilla ja puhtailla liinasilla peitetyltä ruokatavaroita, toiset toistaan
hienompia. Pappi suuresti kummasteli, kun niitä yhä tuli uusia.

— Voi, kulta kunnianarvoisa pastori, meillä olisi tässä vähän

namusia. Olemme kuulleet että teidän pikku siskonne on saapunut ja
ajattelimme että muutama makupala hänelle hyvää tekisi. Pitäisi
tosin olla parempaakin, mutta ei sitä köyhä kykene kaikkia
hankkimaan. Kyllä meillä on hyvä tarkoitus, mutta jauhot eivät ole
parasta lajia, ja tuo mylläri roistokin ne vielä vähäsen poltti, ainakin
mikäli se hornahinen ei niitä varastanut. Saisiko nähdä sitä pikku
enkeliä? Voi, senhän sanotaan olevan niin erinomaisen kaunis.
Tietenkin salli pastori emäntien mennä pikku Veronkan luo, häntä
silittelemään, hyväilemään ja suutelemaan. Suutelipa muuan heistä
hänen pikku jalkojaankin.

Pastorin täytyi usein kääntyä heistä poispäin, salatakseen

seurakuntalaisiltaan niitä kyyneleitä, jotka mielen heltyessä väkisin
nousivat hänen silmiinsä, varsinkin kun hän vielä sai tunnonvaivoja
itseänsä soimatessaan:

— Olen arvostellut näitä ihmisiä aivan väärin. Parempaa kansaa

kuin
Glogovan ei ole koko maailmassa. Miten ne minua rakastavatkaan!
Ihmeellistä, kuinka ne rakastavat!

Illan suussa saapui vanha Adammeczin leskikin, joka tosin ei tähän

asti ollut näyttänyt suurestikaan uudesta pastorista välittävän, mutta
joka sen nojalla, että hänen isänsä parta oli kasvanut vielä kuoleman
jälkeen ja vainaja siten päässyt tavallaan pyhimysten pariin, katsoi
olevansa oikeutettu puuttumaan kirkonkin asioihin.

— Kunnianarvoisa pastori, — hän virkkoi, — lapsi tarvitsee

hoitajan.

— Niin tarvitsisi, — vastasi pappi hetken mietittyään, — mutta

pieni on palkka ja seurakunta köyhä.
 — Köyhä se pahus on, — kivahti Adameczin leski, — sillä kun ei
ole sydäntä ensinkään. Mutta meillä on sydän paikallaan. Ja eihän
pastori osaa tyttöä pukeakaan, ei pestä eikä kammata sen hiuksia.
Välipalaakin se tarvitsee, ettekä te voi käydä lukkarissa lapsen
kanssa aina syömässä. Täällä on ruokaa laitettava, pastori kulta. Sen
sanon minä vanha ihminen. Kellonsoittaja kykenee tosin siivoamaan,
mutta eihän se tolvana osaa lapsia hoitaa.

— Niin, niin, mutta mistä ottaa…

— Mistäkö ottaa? Tässähän olen minä. Olen aivan kuin papin

emännöitsijäksi luotu, vaikk'ei minua vielä koskaan ole mistään
semmoisesta epäilty.

— Niin, — sopersi pastori, — mutta mistä palkka?

Adameczin leski löi kahta kämmentä lanteilleen.

— Jättäkää se, pastori kulta, meidän kahden asiaksi, minun ja

Jumalan. Hän kyllä vaivani palkitsee teidän sijassanne. Vielä tänä
iltana tulen palvelukseen, tuon mukanani keittoastianikin.

Pastori kummasteli tuota kaikkea yhä enemmän, puhumattakaan

Urszinyista, joka samana iltana käydessään toveriansa tervehtimässä
sai kuulla päivän tapahtumista. Pastorin kertoessa Adameczin lesken
tarjouksen hän jo löi käsiään yhteen:

— Vai Adameczin leski? Tuo vanha noita? Ja vielä palkatta? Jottako

Jumala maksaa? Kuule János, ei ole vielä sitä kummaa kuultu että
glogovalainen olisi Jumalaa takuumieheksi hyväksynyt. Olet
todellakin lumonnut nämät ihmiset.
 Pappi hymyili vain itsekseen, syvä hartaus valtasi hänen mielensä.
Hänkin ymmärsi ihmeen tapahtuneen. Tämähän kaikki oli niin
kummallista, käsittämätöntä. Hän aavisti kuitenkin tämän muutoksen
alkusyyn. Oli näet kuultu se rukous, jonka hän oli kirkon kivilattialle
polvistuen Jeesuksen edessä rukoillut. Jeesus oli poistanut
glogovalaisista itsekkään mielen ja antanut heille kullekin omansa
sijaan. Jeesuksen henkäys vielä ilmeni noiden ihmisten kasvoilla ja
käytöksessä…

Oli todellakin ihme tapahtunut! — Sateenvarjosta liikkuvia huhuja

hän ei kaikkia saanut kuullakaan, ja yleensä hän niille vain nauroi.
Hän ei tosin käsittänyt, miten se oli sinne joutunut, olipa tuota
hetken ihmetellytkin, mutta sitte hän ei siitä sen enempää välittänyt,
asetti sen vain erääseen nurkkaan siltä varalta että oikea omistaja
tulisi sitä noutamaan. Vaikka eipä tuo ollut kaiken kaikkiaan edes
viidenkolmatta kreutzerin arvoinen.

Mutta tämän päivän tapahtumat eivät vielä tähän loppuneet. Illalla

levisi salaman tavoin tieto, että Gongoly Mihalyn, Glogovan pohatan
emäntä oli hukkunut Bjela Voda-jokeen, joka rankkasateesta oli
paisunut tulvimaan. Onneton vaimo oli mennyt porraspuita myöten
toiselle rannalle noutamaan sinne joutuneita hanhiaan, olipa sieltä jo
tuonutkin kerran hanhikukon ja mustahelttaisen hanhen
kainalossaan, mutta yrittäessään mennä noutamaan vielä kahta
luiskahti hänen jalkansa ja hän putosi vaahtopäisnä kuohuvaan
koskeen. Herranen aika, aamulla ei siinä kohdassa ohut vettäkään,
ainakin olisi vuohi jaksanut sen juoda yhdellä siemauksella, ja
puolipäivään mennessä se jo oli paisunut vuolaaksi virraksi, niellen
ainiaaksi emäntäparan, kun ei ketään edes sattunut olemaan
lähettyvillä. Häntä etsittiin koko iltapäivä, koluttiin kellarit, ladot,
ullakot, kunnes virta illalla heitti ruumiin rannalle Lehotan kylän
kohdalle.

Sieltä löysivät hänet lehotalaiset ja muuan heistä lähti ratsain

tuomaan sanaa Gongoly Mihalylle.

Tapaus synnytti kylässä suurta tohinaa. Suurissa joukoin kerääntyi

ihmisiä kadulle keskustelemaan.

— Niin, voittaa se Jumala rikkaatkin!

Klincsok käväisi pappilassakin.

— Ylihuomenna on suuret hautajaiset!

Kellonsoittaja pistäysi, viinaryyppyä palkinnokseen toivoen,

kanttorissakin:

— Nyt, herra kanttori, — hän virkkoi, — nyt pankaa kaikki taitonne

liikkeelle. Meillä on lihava vainaja. Pitää olla koreat virret.

Kolmantena päivänä olivat sitten hautajaiset. Moniin aikoihin ei

ollut niin komeita Glogovassa nähty. Gongoly nouti Lehotankin papin
saattamaan, arkku tuotiin Beszterczestä, risti vietiin ensin
Kopanyiczaan, puusepän maalattavaksi mustan väriseksi ja että tämä
valkoisilla kirjaimilla siihen piirtäisi vainajan nimen ja
hukkumispäivän. Kansaa oli saapunut äärettömän paljon, vaikka ilma
ei suinkaan ollut kaunis, sillä pastorin lähtiessä täysissä
juhlatamineissaan kuoripoikain kanssa surutaloon nousi jälleen
yhtäkkiä kova ukkossade, jotta hänen täytyi kiireesti lähettää Kvapka
takaisin.
 — Menkää joutuun noutamaan sateenvarjo; se on siellä kaapin
kupeella.

Kvapka katsoi kummastellen pastoriin. Hän ei näet tiennyt mitä

sateenvarjo onkaan.

— No menkää, — toisti pappi hoputtaen, — tuo iso pyöreä,

kankainen, joka tavattiin pikku siskoni korin päällä.

— Jo ymmärrän.

Pastori vetäytyi sateensuojaa odottaessaan Majgo Peterin

eteiseen, mutta hänen ei tarvinnut kauan vartoa varjoa, jonka
pastori kaikkien suureksi kummaksi yhdellä ainoalla kädenliikkeellä
työnsi selkoselälleen, jotta se ihan näytti siltä, kuin olisi tuhansia
yölepakon siipiä siihen yhteen ommeltu. Sitten tarttui hän varteen ja
nosti sen päänsä päälle, lähtien verkalleen ja arvokkaasti astumaan,
vähääkään kastumatta. Vaikka sade vinhasti pieksi tuon kummallisen
kapineen pintaa, ei se kumminkaan päässyt pastorin ruumiiseen asti;
valui vaan sen kuvetta myöten koreasti maahan.

Haudalla kaikki vain sateenvarjoa ihmeissään katselivat. Sekä

naiset että miehetkin siitä keskenään kuiskailivat.

Tuon on pyhä Pietari tuonut! Ainoastaan kanttorin kauniit värssyt

vetivät hetkeksi yleisön huomiota puoleensa, kuuluipa joukosta jo
nyyhkytystäkin, kun hän mitä hartaimmin vainajan nimissä
jäähyväissanoja veisasi:

Hyvästi, hyvästi kaikki naapurini,

Lajko Pal, Klincsok György lankoni.
 Koko Lajkon perhe alkoi itkeä. Klincsokin emäntä huudahti
ihastuneena:

— Herra Jumala, miten koreasti osaakin veisata!

Tämä huudahdus antoi kanttorille uutta intoa ja entistä

kimakammin, hartaammin ja tunteellisemmin hän vainajan puolesta
hyvästeli nimiltään kaikkia sukulaisia ja tuttavia järjestään.
Ainoakaan silmä ei liene enää kuivaksi jäänyt.

Tuskin oli Gongolyn emäntä multiin saatu ja päästy hautajaisten

komeudesta puhumasta, niin kylän eukot jo alkoivat, — Herra heidän
jaarituksensa anteeksi antakoon, — kertoa, miten leski oli jo
haudalla heittänyt helliä silmäniskuja Tyurek Annan puoleen, minkä
johdosta sokeakin voi ennustaa etteivät emäntä-vainaan
juhlatamineet kauankaan saa naulassa riippua. Ja tuskin olivat
vieraat selvinneet hautajaiskestissä saamistaan viinoista, niin jo piti
taas uusi hauta kaivaa. Gongolyn emännän perään meni näet pian
Sranko János, joka nuorempana oli ahkerasti kosiskellut
emäntävainaata, vielä sen jälkeenkin kun tämä jo oli miehelässä. Nyt
menivät peräkanaa aivankuin yhdestä tuumasta. Mutta eipä voinut
muuta odottaakaan. Joskus ennenkin kerrottiin emännän vainiolla
kadonneen ruispeltoon, ja hetkisen perästä oli paikalle ilmestynyt
Srankokin ja samoin hänkin hävinnyt ruispeltoon. Sitä jumalatonta
ruista! Kasvaa vielä niin pitkäksi, että kykenee peittämään mitä
hullutuksia tahansa.

Toinen toisensa perään he nyt siis iankaikkisuuteenkin siirtyivät…

Hautajaisten jälkeisenä päivänä tavattiin Sranko aamulla kuolleena
vuoteessaan; häneen oli luultavasti iskenyt tuonen "ukonvaaja",
halvaus.
 Srankokin oli varakas mies, kylän pomoja; hänellä oli
kolmisensataa lammasta ja laajat pellot. Hänenkin piti saada komeat
hautajaiset. Eikä leski kitsastellutkaan. Itse hän kävi sekä lukkarissa
että pappilassa järjestämässä kaikki ihan samaan tapaan kuin
Gongolyn emännän hautajaisissa. Maksoi mitä maksoi, mutta
Srankon perhe ei ole halvempi kuin Gongolynkaan.

Kaksi pappia pitää olla saattamassa sekä neljä kuoripoikaa

mustissa kauhtanoissa, ja kellojen soittoa kaiken aikaa. Ja niin
edespäin ja niin edespäin.

Pastori nyökäytteli tyytyväisenä päätään.

— Tehdään niin, tehdään niin.

Pastori laski, kynä kädessä, mitä se kaikki tulisi maksamaan.

— Niin, — puhui Srankon emäntä, mutta ottakaa laskuun, herra

pastori, myöskin se punainen, paljoako kalliimmaksi tulisi sen
kanssa.

— Mikä punainen?

— Se, jota piditte päänne kohdalla Gongolyn emäntävainaan

haudalla.
Sehän oli niin kaunis.

Pastori ei voinut olla nauramatta.

— Sehän on mahdotonta! Oh hoh!

Srankon emäntä kivahti suuttuneena seisoalleen, pää ylpeästi

kenossa.
 — Minkätähden mahdotonta? Eikö minun rahani ole yhtä hyvää
kuin
Gongolyn? Vai kuinka?

— Mutta, hyvä emäntä, silloinhan satoi, vaan huomenna on

kaikesta päättäin kaunis ilma.

Srankon emäntä ei kumminkaan niin vähällä perään antanut,

osasipa väitellä viisaammin kuin itse pastori.

— Jottako silloin satoi? Nythän voitte siis, rakas, kulta herra

pastori, sitä mieluummin ottaa mukaanne sen, niin ei ainakaan kastu
kallis kapine. Ja kyllä miesvainaani on sen ansainnut. Kyllä hän oli
yhtä arvoisa henkilö kuin Gongolyn emäntäkin. Onhan mieheni ollut
lautakunnassakin, onpa kirkollekin tehnyt lahjoituksen, hän kun näet
viisi vuotta sitten hankki alttarille nuo koreat kynttilät, ja hänen
sisarensa on virkannut sen suuren valkoisen alttariliinan. Se
punainen pitää myös olla.

— Mutta minähän joutuisin naurunalaiseksi, jos käyttäisin haudalla

sateenvarjoa kirkkaassa päivänpaisteessa. Heittäkää, hyvä emäntä,
pois mielestänne nuo hullutukset.

Mutta nyt pillahti emäntä itkemään. Millä tavoin oli hän ansainnut
sen häpeän, että Herran palvelija kieltäytyy tekemästä vainajalle
kuuluvaa palvelusta, joka olisi jälkeenjääneillekin lohdutukseksi. Mitä
ihmiset sanoisivatkaan? Sen sanoisivat että Srankon leski ei antanut
miehellensä edes kunniallista hautausta, vaan antoi työntää hänet
kuoppaan kuin minkäkin kerjäläisen. — Tehkää nyt niin hyvin, herra
pastori, — hän rukoeli, ja pyyhkiessään nenäliinallansa kosteita
silmiänsä hypisteli hän sen nurkkaa niin kauan, että siitä solmu
aukeni ja sisästä putosi kymmenen florinin seteli.
 Emäntä nosti sen lattialta ja asetti kainostellen pastorin pöydälle.

— Lisään vielä tämän, jotta vain tulisi täydet menot, pyydän

nöyrimmästi.

Tällä hetkellä pujahti kyökistä sisään Adameczin leskikin kauha

kädessä emäntää avustamaan.

— Niin, niin, herra pastori, Sranko oli jumalinen mies. Ne juorut,

jotka hänestä ovat liikkeellä, eivät ole totta. Ja jos niissä perää
olisikin, kohtaisi tuomio yhtä hyvin Gongolyn emäntääkin, — jolle
Jumala rauhan suokoon! Kun kerran sateenvarjo oli toisen haudalla,
saattaa sitä käyttää toisenkin haudalla. Taikka jos Jumala vielä on
vihainen, on yhdentekevä, vaikka hän olisi sitä vähä enemmänkin,
mutta jos hän on leppynyt, ei ole hän tästäkään pahastuva.

— Vai niin, ettekö häpeä puhua moisia tyhmyyksiä. Älkää kiusatko

minua moisella taikauskolla! Teidän pyyntönne on suoraan sanoen
naurettava.

Mutta eukot eivät vieläkään perään antaneet. "Kyllä meillä on

omat tietomme, ei herra pastori pääse meitä pettämään!" — ja
niinkauan he pyytelivät ja uikuttivat, kunnes lopulta päätettiin että
Sranko Jánoskin siunataan sateenvarjon alla. Pastori sentään tähän
lisäsi:

— Jos ei sen omistaja ennen tule sitä noutamaan. Sillä senhän on

joku varmaan tänne jättänyt, ja jos sitä tullaan hakemaan, on minun
se annettava.

Adameczin leski loi emäntään merkitsevän katseen:

 — No, sen puolesta saamme rauhassa olla, sillä sen tuoja käy vain
kerran tuhannessa vuodessa täällä maan päällä.

Ei tosiaankaan tullut kukaan sateenvarjoa noutamaan. Vaikka

seuraavana päivänä oli mitä kaunein ilma, taivaalla ei pilven
hattaraakaan, aukaisi nuori pastori lähtiessään astumaan arkun
perässä sateenvarjon ja päätti siunata ruumiin sen alla seisoen.

Paaria, joilla ruumisarkku lepäsi, oli kantamassa neljä vankkaa

miestä: Szlavik, Lajko ja rotevat Magatin veljekset. Mutta kaiketi
Jumalan sallimasta toinen Magatin veljeksistä kompastui kylän pajan
kohdalla kiveen ja kaatui. Siitä taas pelästyi perässä astuva Lajko,
menetti malttinsa, horjahti, paaret kallistuivat pahasti ja arkku lensi
kivikkoon.

Kuului kova rusahdus, arkku särkyi, kansi aukeni, liikahtipa virkattu

kasvojenpeitekin, ja nyt tuli näkyviin kuollut, joka ankaran sysäyksen
johdosta heräsi valekuolleista, liikahti syvään hengittäen ja huudahti:

— Herra Jumala, missä minä olen?

Kovasti siinä hämmästyttiin, ihan ihmeissään olivat ihmiset.

Sepästä saatiin sentään patjoja ja päänalusia, pihasta saatiin
raudoitettavana olevat työrattaat, joihin tehtiin sija kuolleelle, jonka
Jumala erityisen ihmeen kautta oli henkiin herättänyt. Ja nyt muuttui
äskeinen surusaatto Jumalaa ylistäväksi juhlakulkueeksi; virsiä
veisaten saatettiin kotiinsa kunnon Sranko János, joka matkalla
toipui siihen määrin, että kotona jo kohta pyysi ruokaa.

Hänelle tuotiin maitoa. Hän puisti vain päätään. Lajko ojensi

hänelle viinahaarikan, joka oli täytetty hautajaisia varten. Jo mies
hymyili.
 Satu sateenvarjosta sai oikeastaan tästä merkkitapauksesta
alkunsa, ja nyt se levisi kauas salojen taakse yli pilviin kohoavien
vuortenkin, yhä loitommaksi, kasvaen, nuortuen, yhä uusilla
yksityisseikoilla kullattuna.

Kun kallioissa tavattiin joku omituinen syvennys, oli se varmaan

pyhän Pietarin jalan jälki, ja kun jossain nähtiin oudonvärinen kukka,
oli pyhän Pietarin sauva siihen koskettanut. Kaikesta, niin kaikesta
päättäen oli pyhä Pietari vastikään käynyt Glogovassa. Ja sehän on,
hyvät ihmiset, tärkeä tapaus.

Salaperäisyyden ihmeloiste valaisi siis tätä sateenvarjoa. Se juuri

siinä oli hämärää, miten se oli joutunut pikku Veronkan korin päälle.
Muuta ei tarvittukaan. Taikausko etsii hämäryyttä, hämäryys taas
vetää taikauskoa puoleensa. Näiden kahden saalisna oli tuo
nukkavieru sateenvarjo.

Kauas levisi sen maine. Pitkin Bjela-Vodan varsia slovakit siitä

kertoivat paimennuotioittensa ääressä tai kehruutalkoissa asioita,
jotka vaikuttivat heidän mielikuvitukseensa ja kohottivat heidän
innostustaan, mitä kummallisimpia ja omituisimpia seikkoja. Oli
muka nähty tuo tuttu pyhä Pietari, taivaan portin vartija tuomassa
sateenvarjoa, ettei papin pikku sisko kastuisi. Mitenkähän vanhus
laskeutui taivaasta maan päälle? Istui varmaankin jonkun pilven
longalle, ja se laski hänet koreasti alas vuorenkukkulalle.

Vielä kerrottiin myöskin sateenvarjon ihmeellistä vaikutuksista,

miten muuan kuollutkin oli sen nähtyään herännyt henkiin, ja näin
levisi kertomus yhä laajemmalle, temmaten mukaansa myöskin
Glogovan papin ja tämän pikkusisaren nimet. Kukapa miekkonen
senkin neitosen kerran puolisokseen saapi! — Kun joku varakkaampi
mies kuolee kymmenennessäkin kylässä, noudetaan sinne János
pastori virkapuvussaan ynnä pyhä sateenvarjo, josta on tullut oikea
pyhäinjäännös. Mutta häntä ei viedä ainoastaan hautajaisiin, vaan
myöskin sairaita ripittämään kahdenkin päivän matkoille, sillä
välipuheella että hän levittä sateenvarjon sairaan ylitse tätä
ripittäessään. Aivan varmasti se auttaa; sairas joko paranee, taikka
jos ei paranekaan, tulee ainakin autuaaksi.

Parikunnatkaan, jotka tahtovat parempia vihkiäisiä, — ja sitähän

ne aina tahtovat, — eivät tyydy siihen, että heidän oma pappinsa
heidät vihkii, vaan tekevät lisäksi pyhiinvaellusretken Glogovan
kirkkoon, antaakseen siellä vielä sen sateenvarjon alla toisilleen
kättä. Silloin se vasta tepsii. Kellonsoittaja Kvapka pitää tuota
kangassientä heidän päänsä päällä, ja aina siitäkin heruu pientä
hopearahaa hänen taskuunsa. Mitä taasen tulee Glogovan pastoriin,
valuu hänelle rahaa ja lahjoja aivankuin säkin suusta kaataen.

Ensimmältä hän kyllä esteli, mutta vähitellen hän alkoi itsekin

uskoa että tuo sateenvarjo, joka kävi päivä päivältä yhä enemmän
kuluneeksi ja nukkavieruksi, todellakin oli Jumalan lähettämä.
Eiköhän se vain tullutkin suorana vastauksena hänen rukoukseensa
pikku tytön suojaksi. Siitähän johtuu koko hänen hyvinvointinsa ja
varallisuutensa, kuten hän oli rukoillutkin.

"Herra Jeesus" — niin oli hän sanonut tuona surullisena aamuna

— "tee minulle ihme, jotta voisin kasvattaa lapsukaisen."

Ja kas, ihme on tapahtunut. Rahaa, hyvinvointia, rikkautta vuotaa

vanhasta paikatusta sateenvarjosta, aivankuin olisi se sadun
ihmekaritsa, joka itseänsä ravistellessaan sirotteli kultia villastansa.
Sateenvarjon maine saapui korkeampiinkin piireihin. Hänen
ylhäisyytensä Beszterczen piispakin kävi uteliaaksi ja kutsutti eteensä
papin sateenvarjoineen. Tutkittuaan sitä ja kuultuaan kertomuksen
sen ilmestymisestä hän virkkoi, hartaasti silmiänsä ristien:

— Deus est omnipotens, Jumala on kaikkivaltias.

Tämä tiesi sitä, että hänkin uskoi sateenvarjoon.

Muutaman viikon kuluttua piispa toimi asiassa muutakin. Antoi

János pastorille määräyksen että hän ei tästäpuolen saa säilyttää
tätä pyhäinjäännöstä luonaan, vaan kirkossa muiden pyhien
esineiden kanssa.

Tähän János pastori kuitenkin oitis vastasi että puheena oleva

sateenvarjo oikeastaan kuului hänen alaikäiselle sisarelleen Bélyi
Veronkalle ja ettei hänellä ollut oikeutta sitä myydä eikä kirkolle
luovuttaa. Mutta kun tyttönen tulee täysivaltaiseksi, on hän
varmaankin lahjoittava sen kirkolle.

Joka tapauksessa tuotti sateenvarjo suurta hyötyä pastorille, joka

ennen pitkää hankki itselleen karjaa ja vetojuhtia sekä rupesi
harjoittamaan laajaa maanviljelystä, rakensipa itselleen muutaman
vuoden kuluttua sievän kivitalonkin, sekä käytti vaunuja ja
kaksivaljakkoa matkoillaan. Glogovan kuntakin sen kautta kohosi.
Kesäisin saapui sinne suurissa parvissa vallasnaisia läheisistä
kylpylaitoksista, kreivittäriäkin — useimmiten sentään vanhoja
kreivittäriä — lukeakseen edes yhden rukouksen sateenvarjon alla.
Näitä varten rakennettiin erityinen vieraskoti vastapäätä pappilaa,
nimeltä "Ihmeitätekevä sateenvarjo". Lyhyesti sanoen Glogova alkoi
silminnähtävästi kohota; kuntalaiset alkoivat monien matkustavaisten
tähden hävetä vanhaa kellotapuliansakin ja rakensivat kirkkoonsa
uhkean peltikattoisen tornin, hankkien siihen kaksi uutta kelloa
Beszterczestä. Tuonelasta palaamisensa muistoksi Srankó János
antoi leikata puusta ihmeen kauniin pyhän Kolminaisuuden patsaan
kirkon ovipieleen. Kotiopettajatar — János pastori oli näet sittemmin
ottanut Veronkaa varten oikean hattupäisen opettajattaren — istutti
pappilan pihan täyteen georgiineja ja fuksioita, jommoisia kukkia
glogovalaiset eivät koskaan ennen olleet nähneet. Kaikki muuttui
siellä somemmaksi ja siistimmäksi, lukuunottamatta Adameczin
leskeä, joka oli käynyt yhä vain rumemmaksi. Olivatpa glogovalaiset
tulleet niinkin ylpeiksi, että he pyhäiltoina, kun oli joutilasta aikaa
kaikenmoisia rupatella, alkoivat puhua siitäkin, että pitäisi Glogovaan
rakentaa kalvaaria, pyhiinvaelluspaikka, jommoinen oli
Selmeczissäkin, jotta toivioretkeläiset tänne tullessaan toisivat heille
rahaa ja synnyttäisivät vilkkaampaa liikettä.

TOINEN OSA.
GREGORICSIT.
TAHDITON GREGORICS.

Useita vuosia ennen kertomuksemme alkua asui kuninkaallisessa

vapaakaupungissa Beszterczebányassa muuan Gregorics Pál niminen
mies, jota yleensä sanottiin tahdittomaksi, vaikka hänen elämänsä
pääharrastuksena oli elää kaikille mieliksi. Gregorics Pál kosiskeli
kansansuosiota, joka on kaunis, keikaileva neitonen, mutta tapasi
aina kritiikin, joka taasen on vanha vihainen, kierosilmäinen noita.

Gregorics Pál oli syntynyt isänsä kuoleman jälkeen, täsmälleen

yhdeksän kuukautta hautajaisista lukien, menetellen siis jo silloin
tahdittomasti äitiänsä kohtaan, joka muuten oli sangen kunniallinen
nainen. Jos hän olisi syntynyt edes muutamia viikkoja aikaisemmin,
olisi hän ituunsa tukahuttanut monet ikävät juorut. Mutta eihän
Gregorics Pál sille mitään voinut, ja toiset elossa olevat Gregoricsit
päivittelivät sitä, että hän ollenkaan oli syntynyt, kun näet täten oli
tullut yksi perillinen lisää.

Lapsena hän oli kitulias; toiset Gregoricsit, hänen täysikasvuiset

velipuolensa yhä toivoivat hänen kuolevan, mutta hänpä ei
kuollutkaan — hän näet oli kun olikin jo ennakolta tahdittomaksi
määrätty — vaan voimistui, tuli täysi-ikäiseksi ja otti omaan
haltuunsa perintönsä, mikä suurimmaksi osaksi oli äitivainajan
osuutta, josta eivät ensi aviosta syntyneet lapset saaneet mitään,
eikä se ollut niinkään pieni, vaikka ei tosin isänkään jättämä perintö
ollut vähäpätöinen, sillä vanha Gregorics oli viinikauppiaana kerännyt
sievosen omaisuuden. Siihen aikaan oli näet helppo rikastua sillä
kaupalla niillä seuduin. Viiniä oli viljalti, mutta juutalaisia ei
ensinkään. Nyt viinikauppiailta usein puuttuu oikeata tavaraa, mutta
Garam-joen vettä kyllä sensijaan löytyy.

Luonto oli Gregorics Pálille antanut kesakoiset kasvot ja punasen

tukan, josta ihmiset tekevät yleensä sen johtopäätöksen, että kaikki
punatukkaiset ovat häijyjä luonteita. Gregorics Pál tahtoi toki
osoittaa olevansa hyvä mies. Tuollaiset puheenparret ovat vain
vanhoja astioita, joissa entiset sukupolvet ovat keitoksiaan
keittäneet. Ainakin yhden noista rähjistä Gregorics Pál tahtoo särkeä.
Hän on oleva niin hyvä kuin vehnäpulla, niin sulava kuin voi, jota
saattaa levittää yhtä hyvin mustalle kuin valkeallekin leivälle.

Hän teki vahvan päätöksen olla hyvä ihminen, oikein miellyttävä

mies; hänen elämänsä päämääränä oli saavuttaa kanssaihmisten
rakkautta.

Ja uskollisesti hän päätöstään noudattikin; mutta mitäs siitä, kun

joku häijy henki aina kulki hänen edellään johtamassa ihmisten
mieliä niin, että he aina arvostelivat nurjasti hänen kaikkia tekojaan.

Kun hän saavuttuaan kotiin Pestistä, missä hän luki lakitiedettä,

ensi kerran poikkesi myymälään ostamaan itselleen hienoja
havannasikareita, pääsivät pahat kielet heti liikkeelle.

— Tuo veitikka imeskelee neljänkymmenen kreutzerin sikareja.

Niinkö pitkällä sitä jo ollaan? Sehän on kauhea tuhlari! — Saadaan
nähdä että se mies vielä kuolee vaivaistalossa! Jospa voisi isävainaja
nousta haudastaan ja nähdä hänen polttavan neljänkymmenen
kreutzerin sikareja. Herranen aika! Ukko sekotti tupakkaansa
kuivatulta potaatinlehtiä ja kostutteli sitä kahvisakalla, jotta se
hitaammin palaisi.

Gregorics Pál sai kuulla, että hänen kalliit sikarinsa olivat

synnyttäneet pahennusta pikku kaupungissa ja rupesi heti
käyttämään halpoja kahden kreutzerin sikareja.

Sekään ei ihmisille kelvannut.

— Tuo Gregorics onkin oikeastaan kelvoton kitupiikki. Vielä

suurempi lurjus kuin hänen isänsä. Hyi sitä häijyä ahneutta!

Gregorics Pál oli sangen pahoillaan siitä, että häntä pidettiin

saiturina, ja ensi tilaisuudessa, saapuessaan hyväntekeväiseen
iltamaan, — ne olivat vapaaehtoisen palokunnan tanssiaiset, jonka
korkeana suojelijattarena oli itse yli-ispaanin rouva ja joihin sai
lunastaa jäsenlipun "korotetuillakin hinnoilla", — hän suoritti
kaksikymmentä florinia yhdestä kahden florinin lipusta, ajatellen
itsekseen: minäpä näytän, ettei Gregorics Pál ole mikään kitupiikki.

Mutta nytpä juhlan hommaajat jälleen kuiskaamaan:

— Gregorics Pál on pöyhkeilevä, tahditon ihminen.

Olipa heillä syytäkin suuttua.

Sehän on ennen kuulumatonta hävyttömyyttä että mokomakin

Gregorics kehtaa mennä edelle yli-ispaanin, paroni Radvánszkyn.
Tämä oli antanut lipusta kymmenen florinia, ja Gregorics menee
työntämään kaksikymmentä. Sehän on suorastaan uhmailua! Hän,
viinikauppiaan poika! Herra Jumala, kyllä on aikoihin eletty!
Kirppukin nyt jo kovemmin äyskii kuin jalopeura. On aikoihin eletty!
Kyllä on kummallisiin aikoihin eletty!

Yritti Gregorics parka mitä tahansa, kohtasi häntä aina kova onni.
Jos hän joutuessaan jonkun kanssa riitaan, ei antanut perään,
sanottiin häntä riitapukariksi; jos hän taasen antoi perään, sai hän
kantaa raukan nimen.

Lainopin tutkinnon suoritettuaan hän ei aluksi ryhtynyt mihinkään

toimeen, matkustihan vaan joskus maatilalleen, joka sijaitsi
peninkulman päässä kaupungista ja jonka hän oli äidiltään perinyt,
sekä myös joskus muutamaksi päiväksi Wieniin, jossa hänellä oli
kivitalo, äidin perintöä sekin. Muutapa tointa hänellä ei ollutkaan, ja
sentähden ahkerat kaupunkilaiset häntä sydämensä pohjasta
halveksivat.

— Gregorics Pál — niin he sanoivat, — on oikea maanpainajainen.

Ei pane viikkokausiin rikkaa ristiin. Mitä tekee maailmassa
mokomakin vetelys?

Tämäkin puhe joutui Gregorics Pálin korville ja hän oivalsi, että

ihmiset ovat oikeassa, ettei saa elämätänsä jouten kuluttaa. Onhan
asia oikeastaan niin, että jokaisen ihmisen tulee työllä leipänsä
ansaita.

Gregorics Pál tarjoutui siis hänkin käyttämään taitoansa joko

kaupungin tai maakunnan palvelukseen.

No, se vielä puuttui. Sadat kielet heti vastustamaan tätä aijetta.

Mitä? Gregorics Palko pyrkii virkoihin? Täällä meillä? Kun ei edes
häpeä! Ottamaan leivän köyhän suusta, vaikka itse elää
ylellisyydessä.
Jättäköön toki täkäläiset virat niille, jotka niitä tarvitsevat.

Gregorics Pál oivalsi tämänkin olevan totta ja jätti virkojen

hakemiset ja yleiset asiat sikseen, vetäytyipä erilleen toisten miesten
seuroistakin, päättäen mennä naimaan ja ruveta perheelliseksi.
Olihan sekin kunnioitusta ansaitseva tehtävä.

Hän alkoi nyt käydä perheissä, missä oli kauniita tyttäriä, ja

otettiinkin hänet näissä mielellään edullisena kosijana vastaan. Mutta
hänen juonittelevat velipuolensa, jotka yhä toivoivat tämän hintelän,
aina yskivän miehen pian kuolevan, turmelivat ennen
kuulumattomalla viekkaudella ja oveluudella kaikki hänen
suunnitelmansa, — siitähän kelpaisi kirjoittaa kokonaan eri kertomus,
— joten Gregorics Pál sai peräkanaa niin monet rukkaset, että hän
tuli siinä suhteessa ihan kuuluisaksi siinä osassa maata. Myöhemmin
olisi kyllä löytynyt neitoja, joita neitsyys oli alkanut liiaksi painaa —
ikää karttuessa alkaa painaa sekin kunnia — mutta heitä taas pidätti
häpeä. Eikä syyttäkään. Mennä miehelle, joka oli niin monen tytön
hylkimä. Kukapa rukkaskuninkaan kuningattareksi? Ei kukaan…
Uudenvuoden aattona sulatettiin ja upotettiin paljo tinaa taloissa
Garamjoen varrella, mutta ainoatakaan kertaa ei ilmestynyt
Gregorics Pálin haahmoa esiin. Yksi sana yhtä hyvä kuin sata, —
Gregorics Pál ei kelvannut haaveileville neitosille. Lemmenrunoutta
he haluavat eivätkä rahaa. Joku vanhapiika vielä tosin voisi ottaa
vastaan hänen sormuksensa, jos niiksi tulisi…

Mutta nuorista neitosista ei riitä yksi askel vanhoihinpiikoihin:

tarvitaan kaksi. Siinä välillä ovat näet nuoret lesket. Vanhatpiiat
tulevat viimeiseksi.
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebooknice.com