用lingo软件如何对DEA-DA模型进行编程

epoh老师，您给的网站http://csan.insightful.com/上面的包都可以用
install.packages()命令安装吧？比如包adk
我执行下面命令：

> install.packages("adk")

The downloaded packages are in
        C:\Users\hp\AppData\Local\Temp\di003934.tmp\downloaded_packages
Warning messages:
  argument 'lib' is missing: using
        C:\Users\hp\AppData\Local\Insightful\splus80_WIN386\library in: install.packages("
adk")

这是安装成功了吗？那警告信息代表什么？

还在这个包能像R一样，下载到本地安装的吗？我没有看到相关菜单

epoh老师，我对这个还是不理解

如果你要安装s-plus package
程序如下:

install.pkgutils()

library(pkgutils)

install.packages("resample")

这里的resample是包含在pkgutils中的一个小类吗？
为什么安装pkgutils不能指挥用install.packages("pkgutils")呢？

60# epoh
epoh老师，您好！您说的uscd garch toolbox, DSGE toolbox, spatial econometrics toolbox,我都装了，总之，我的matlab应用的时候，经常会提示一些错误！
麻烦老师您尽量想办法吧！

安装成功
譬如:
library(pkgutils)
install.packages("resample")
library(resample)
Welcome to the S+Resample package.
This package contains newer versions of many functions in S-PLUS.
To prevent annoying messages about that, I'm turning on:
        options(conflicts.ok=T)

s-plus有三个地方可以放package:
  C:\Users\...\AppData\Local\Insightful\splus80_WIN386\library,
  C:\PROGRAM FILES\INSIGHTFUL\splus80\local\library,
  C:\PROGRAM FILES\INSIGHTFUL\splus80\library,

"pkgutils" contains functions and scripts for downloading,
installing, building and checking packages.

see spluspackages.pdf
page 14/58

请把full_bekk_mvgarch.m
这三行:
scalaropt=optimset('fminunc');
scalaropt=optimset(scalaropt,'TolFun',1e-1,'Display','iter','Diagnostics','on','DiffMaxChange',1e-2);
startingparameters=scalar_bekk_mvgarch(data,p,q,scalaropt);

改为这四行:

%scalaropt=optimset('fminunc');
%scalaropt=optimset(scalaropt,'TolFun',1e-1,'Display','iter','Diagnostics','on','DiffMaxChange',1e-2);
%startingparameters=scalar_bekk_mvgarch(data,p,q,scalaropt);
startingparameters=[0.6836; 0.2031; 0.3717; 0.2803; 0.9101]

然后存档执行.

另外请你把jplv7\Ucsd_garch\MV Garch\Bekk
Bekk文件夹内9个文件传上来我看看
diagonal_bekk_mvgarch
diagonal_bekk_mvgarch_likelihood
diagonal_bekk_simulate
full_bekk_mvgarch
full_bekk_mvgarch_likelihood
full_bekk_simulate
scalar_bekk_mvgarch
scalar_bekk_mvgarch_likelihood
scalar_bekk_simulate

65# epoh
load('hp_ibm.txt')
data=100*hp_ibm;
[parameters, loglikelihood, Ht, likelihoods, stdresid, stderrors, A, B, scores]
= full_bekk_mvgarch(data,1,1);

startingparameters =


0.6836

0.2031

0.3717

0.2803

0.9101


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

Diagnostic Information

Number of variables: 11

Functions

Objective:
full_bekk_mvgarch_likelihood

Gradient:
finite-differencing

Hessian:
finite-differencing (or Quasi-Newton)



Algorithm selected

medium-scale: Quasi-Newton line search


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

End diagnostic information


Gradient's

Iteration
Func-count
f(x)
Step-size
infinity-norm

0
12

7499.97
379

1
72
7498.65
6.74726e-006
388


2
84
7497.66
1
324


3
96
7495.16
1
321


4

108
7492.77
1
508


5
120
7489.81
1
479


6
132
7488.97
1
163


7
144
7488.79
1
117


8
156
7488.54
1
154


9
168
7487.86
1
336


10
180
7486.66
1
513


11
192
7484.86
1
519


12
204
7483.42
1
309


13
216
7482.68
1
237


14
228
7482.23
1
105


15
240
7482.07
1
112


16
252
7481.99
1
65.3


17
264
7481.95
1
37.3


18
276
7481.93
1
30


19
288
7481.91
1
52.3


Gradient's

Iteration
Func-count
f(x)
Step-size
infinity-norm

20
300
7481.87
1
74.4


21
312
7481.79
1
89.8


22
324
7481.65
1
132


23
336
7481.48
1
133


24
348
7481.36
1
80.3


25
360
7481.32
1
18.4


26
372
7481.31
1
14.8


27
384
7481.31
1

15.2


28
396
7481.29
1
22.5


29
408
7481.27
1
34.2


30
420
7481.19
1
58.4


31
432
7481
1
101


32
444
7480.59
1
155


33
456
7480.03
1
196


34
468
7479.4
1
131


35
480

7479.04
1
28.3


36
492
7479.01
1
61.6


37
504
7478.98
1
23.5


38
516
7478.98
1
24.8


39
528
7478.94
1
32.9

Gradient's

Iteration  Func-count       f(x)        Step-size      infinity-norm

    40         540           7478.9              1           40.5  

    41         552          7478.79              1           54.5  

    42         564          7478.56              1           49.5  

    43         576          7478.09              1            118  

    44         588          7477.53              1            197  

    45         612          7477.28         0.3352            228  

    46         624          7476.81              1            118  

    47         636          7476.43              1            134  

    48         648          7476.26              1            114  

    49         660          7476.12              1           28.8  

    50         672          7476.08              1            126  

    51         684          7476.03              1           19.1  

    52         696          7476.02              1           15.4  

    53         708          7476.01              1           15.2  

    54         720          7476.01              1           17.9  

    55         732          7475.99              1           19.7  

    56         744          7475.97              1           24.7  

    57         756          7475.94              1           43.4  

    58         768          7475.89              1           69.5  

    59         780          7475.83              1            119  

                                                         Gradient's

Iteration  Func-count       f(x)        Step-size      infinity-norm

    60         792          7475.75              1            117  

    61         804          7475.64              1           87.3  

    62         816          7475.38              1           36.7  

    63         828          7474.88              1            128  

    64         840          7474.38              1            368  

    65         852          7473.57              1            200  

    66         864          7472.75              1            111  

    67         876          7472.06              1            138  

    68         888          7471.82              1            105  

    69         900          7471.59              1           37.7  

    70         912          7471.53              1           25.8  

    71         924          7471.47              1           56.8  

    72         936          7471.44              1           46.6  

    73         948          7471.41              1           22.9  

    74         960           7471.4              1           6.56  

    75         972           7471.4              1           7.31  

    76         984          7471.39              1           8.58  

    77         996          7471.39              1           6.03  

    78        1008          7471.39              1           4.53  

    79        1020          7471.39              1           13.3  

                                                         Gradient's

Iteration  Func-count       f(x)        Step-size      infinity-norm

    80        1032          7471.39              1           24.8  

    81        1044          7471.38              1           41.5  

    82        1056          7471.36              1           67.3  

    83        1068          7471.33              1            106  

    84        1080          7471.25              1            158  

    85        1092          7471.12              1            197  

    86        1104          7470.97              1            164  

    87        1116          7470.86              1           76.6  

    88        1128          7470.83              1           30.9  

    89        1140          7470.83              1           7.63  

    90        1152          7470.83              1           10.7  

    91        1164          7470.82              1           7.23  

    92        1176          7470.82              1           13.6  

    93        1188          7470.82              1           20.9  

    94        1200          7470.81              1           28.4  

    95        1212          7470.79              1             37  

    96        1224          7470.75              1             42  

    97        1236          7470.65              1           42.5  

    98        1248           7470.5              1           67.3  

    99        1260           7470.3              1           70.7  

                                                         Gradient's

Iteration  Func-count       f(x)        Step-size      infinity-norm

   100        1272          7470.06              1           38.2  

   101        1296          7470.02       0.427171           66.8  

   102        1308             7470              1           57.2  

   103        1320          7469.98              1           58.5  

   104        1332          7469.98              1           23.9  

   105        1344          7469.97              1           16.3  

   106        1356          7469.97              1           13.5  

   107        1368          7469.96              1           8.31  

   108        1380          7469.96              1           7.55  

   109        1392          7469.96              1           7.66  

   110        1404          7469.96              1           3.65  

   111        1416          7469.96              1            1.5  

   112        1428          7469.96              1          0.423  

Optimization cannot make further progress:

relative change in x less than options.TolX.

现在可以运行，然后提示以上问题。

pls set _mlhsvcp = 0;
....
_mlhsvcp = 0;
covmat = _mlhsvcp*score'score*_mlhsvcp;
.......

MGARCH_bekk_result
   MGARCH_bekk_result.rar (42.03 KB)

2011-7-20 23:10:14 上传

epoh老师，您好！
在eviews中：
sample s0 1 2000 这个 1到2000是什么意思？
sample s1 2 2000 在这儿2到2000又是什么意思？
omega = 2 x 2 low triangular  估计出的结果表示什么意思？

在gauss中：
为什么要设置 _mlhsvcp=0？      

另外，我觉得matlab中，我运行出的结果有问题？
并没有估计出模型的参数。