急：R软件加载程序包tsDyn问题

epoh 发表于 2012-7-4 19:49
已依据你的模型你的数据
完成程序修改
请注意短信息

epoh老师，利用贝叶斯估计上述模型在R的那个packages
可以实现，我只找到了包含threshold AR的，没有找到
不包含threshold的AR模型。

ywh19860616 发表于 2012-7-6 16:15
epoh老师，利用贝叶斯估计上述模型在R的那个packages
可以实现，我只找到了包含threshold AR的，没有找 ...

try package 'MCMCpack'
function MCMCregress()
  Markov Chain Monte Carlo for Gaussian Linear Regression

epoh 发表于 2012-7-8 15:57
try package 'MCMCpack'
function MCMCregress()
  Markov Chain Monte Carlo for Gaussian Linear Re ...

这个package我看过了，大致模型应该是一致的，当时考虑上述包含滞后性的AR模型
是不是与Gaussian Linear Regression完全一致。
谢谢epoh老师了，我再看下这个package。

ywh19860616 发表于 2012-7-8 16:26
这个package我看过了，大致模型应该是一致的，当时考虑上述包含滞后性的AR模型
是不是与Gaussian Linear ...

# generate an AR(1) with mean 50
set.seed(66)      # so you can reproduce these results
x = arima.sim(list(order=c(1,0,0), ar=.9), n=100) + 50   
mean(x)  #  [1] 50.60668    the sample mean is close

y=x[2:100]
y1=x[1:99]

#######
lm=lm(y~y1)
summary(lm)

#Coefficients:
#            Estimate Std. Error t value Pr(>|t|)   
#(Intercept)  4.80587    2.18935   2.195   0.0305 *  
#y1              0.90523    0.04323  20.941   <2e-16 ***

#########
library(MCMCpack)
posterior <- MCMCregress(y~y1, verbose=1000)
plot(posterior)
raftery.diag(posterior)
summary(posterior)

1. Empirical mean and standard deviation for each variable,
   plus standard error of the mean:

              Mean      SD  Naive SE Time-series SE
(Intercept) 4.8182 2.21104 0.0221104       0.023461
y1             0.9050 0.04368 0.0004368       0.000467
sigma2      0.9164 0.13541 0.0013541       0.001512

谢谢epoh老师，明白了。

各位前辈，我想问下，为什么我估计出的LSTAR模型中，t值显示为NA?
> mod=lstar(y,m=4,d=1,thVar=x)
Using maximum autoregressive order for low regime: mL = 4
Using maximum autoregressive order for high regime: mH = 4
Using only first 77 elements of thVar
Performing grid search for starting values...
Starting values fixed: gamma =  100 , th =  0.0319328 ; SSE =  0.0642117
Grid search selected lower/upper bound gamma (default [1,100]).
                                          Might try to widen bound with arg: 'starting.control=list(gammaInt=c(1,200))'
Optimization algorithm converged
Optimized values fixed for regime 2  : gamma =  100.001 , th =  0.1487109 ; SSE =  0.05262752
> mod

Non linear autoregressive model

LSTAR model
Coefficients:
Low regime:
    const1     phi1.1     phi1.2     phi1.3     phi1.4
0.0348664 -0.1229966 -0.1646415 -0.1743049  0.5060107

High regime:
     const2      phi2.1      phi2.2      phi2.3      phi2.4
   666.6409 -10646.2203  -1317.4663   8211.4405   4816.7396

Smoothing parameter: gamma = 100

Threshold
Variable: external
Value: 0.1487
> summary(mod)

Non linear autoregressive model

LSTAR model
Coefficients:
Low regime:
    const1     phi1.1     phi1.2     phi1.3     phi1.4
0.0348664 -0.1229966 -0.1646415 -0.1743049  0.5060107

High regime:
     const2      phi2.1      phi2.2      phi2.3      phi2.4
   666.6409 -10646.2203  -1317.4663   8211.4405   4816.7396

Smoothing parameter: gamma = 100

Threshold
Variable: external
Value: 0.1487

Residuals:
        Min          1Q      Median          3Q         Max
-0.06801287 -0.01534197  0.00094419  0.01345869  0.06109822

Fit:
residuals variance = 0.0006497,  AIC = -570, MAPE = 110.3%

Coefficient(s):
          Estimate  Std. Error  t value Pr(>|z|)
const1  3.4866e-02          NA       NA       NA
phi1.1 -1.2300e-01          NA       NA       NA
phi1.2 -1.6464e-01          NA       NA       NA
phi1.3 -1.7430e-01          NA       NA       NA
phi1.4  5.0601e-01          NA       NA       NA
const2  6.6664e+02          NA       NA       NA
phi2.1 -1.0646e+04          NA       NA       NA
phi2.2 -1.3175e+03          NA       NA       NA
phi2.3  8.2114e+03          NA       NA       NA
phi2.4  4.8167e+03          NA       NA       NA
gamma   1.0000e+02          NA       NA       NA
th      1.4871e-01          NA       NA       NA

Non-linearity test of full-order LSTAR model against full-order AR model
F = 3.8863 ; p-value = 0.0066813

Threshold
Variable: external警告信息：
In summary.lstar(mod) : singular Hessian

>

epoh 发表于 2010-10-1 08:54
package "tsDyn"
本身就有function lstar
可估Logistic STAR model

epoh老师您好，好久不见了！我有个问题请教您，之前您教我做的那个脉冲影响分析，为什么我给STAR模型之后做出来相同大小的正的脉冲和负的脉冲值是大小相等，方向相反的呢？而且1个单位的脉冲和2个单位的脉冲也是2倍关系？一个外文文献中讲到，非线性模型中的的脉冲是不具有线性和对称性的？可是为什么我做出来的是有线性和对称性的呢？难道是模型出错了？期待您的指教，谢谢啦！

雁茗轩 发表于 2012-9-4 15:10
epoh老师您好，好久不见了！我有个问题请教您，之前您教我做的那个脉冲影响分析，为什么我给STAR模型之后 ...

请先参考81楼我给南冰兄的asym.jpeg
建议你朝两个方向探讨:

1.南冰兄的quartc.txt, "qcpi"
   与你的x11.txt, "y"数据大小,有些差距.

2.改变一下 x11.txt, "s"试试

epoh 发表于 2012-9-4 20:15
请先参考81楼我给南冰兄的asym.jpeg
建议你朝两个方向探讨:

老师您好！我看了81楼您发的程序，和之前您发给我的那个脉冲的比较了一下，好像没发现怎么可以处理我的问题的办法，我又做了一遍，还是对称的。那您说我之前做的LSTAR模型的脉冲，同样是两个标准差但是符号相反的脉冲函数值会是大小相等，方向相反，呈对称嘛？应该不会是模型出问题了吧？不好意思，我的问题太多了，给您添麻烦了！

我的意思是你的数据"y",

处理过程有没笔误,因为看不出有Business Cycle.

底下我提供Terasvirta JASA 1994

Terasvirta(1994), "Specification, Estimation and Evaluation of

                            Smooth Transition Autoregressive Models", JASA, vol 89,

data "lynx",及 "ipgrowth"的图型供你参考.

#####

library(tsDyn)
#data lynx

#data ipgrowth
ip =read.table("ipgrowth.txt", header = TRUE);
ipgrowth =ip$ipgrowth

#your data y
new=read.table("x11.txt",header=TRUE)
y=new$y

#plot
par(mfrow = c(2, 2))
plot(log10(lynx))
lines(log10(lynx),col='red')

plot(ipgrowth)
lines(ipgrowth,col='red')

plot(y)
lines(y,col='red')