请看58楼我的答复

我都按照那个步骤把文件放好了，运行Krolzig的msvecm模型的结果如下：不知道这个结果代表什么，希望老师给以解答
Ox version 3.40 (Windows) (C) J.A. Doornik, 1994-2004
MSVAR (c) H-M Krolzig, 1996-2005, package version 1.32a, object created on 31-12-2003
---------- Initial regime classification given -----
It.  0         LogLik =  -135.4668         Pct.Change =100.0000
It.  1         LogLik =  -134.4186         Pct.Change =  0.7737
It.  2         LogLik =  -132.3710         Pct.Change =  1.5233
It.  3         LogLik =  -126.3198         Pct.Change =  4.5714
It.  4         LogLik =  -116.4020         Pct.Change =  7.8514 Warning: invertsym: decomposition failed
C:\hmk\MSVAR\INCLUDE\MsvarEm.ox (1036): mle_msih
Warning: invertsym: decomposition failed
C:\hmk\MSVAR\INCLUDE\MsvarEm.ox (1036): mle_msih
Warning: invertsym: decomposition failed
C:\hmk\MSVAR\INCLUDE\MsvarEm.ox (1036): mle_msih
Warning: invertsym: decomposition failed
C:\hmk\MSVAR\INCLUDE\MsvarFilter.ox (36): filter

It.  5         LogLik =  -301.8304         Pct.Change =-159.3001 Warning: choleski: decomposition failed
C:\hmk\MSVAR\INCLUDE\hmk.ox (410): vechcholeskiblock
Warning: invertsym: decomposition failed
C:\hmk\MSVAR\INCLUDE\MsvarCom.ox (428): GetErrors
Warning: choleski: decomposition failed
C:\hmk\MSVAR\INCLUDE\MsvarCom.ox (428): GetErrors


---------- Error occured! EM algorithm was stopped after  6 iterations ------------
0
IsConverged=0

Standard errors:

*** Warning: Some transition probabilities are close to the border;
             Numerical stability endangered.

Warning: invertsym: decomposition failed
C:\hmk\MSVAR\INCLUDE\MsvarEm.ox (308): fLogLik
Warning: choleski: decomposition failed
C:\hmk\MSVAR\INCLUDE\MsvarEm.ox (309): fLogLik
Runtime error: 'matrix[3][1] .* matrix[2][1]' bad operand
Runtime error occurred in fLogLik(321), call trace:
C:\hmk\MSVAR\INCLUDE\MsvarEm.ox (321): fLogLik
C:\hmk\MSVAR\INCLUDE\MsvarEm.ox (363): Covar
C:\hmk\MSVAR\INCLUDE\MsvarEm.ox (381): GetStdErr
C:\hmk\MSVAR\INCLUDE\MsvarEm.ox (411): StdErr
E:\毕业论文\OX程序\KROTO.OX (40): main

老师，OX如何实现MSIH(2)-AR(1)的脉冲函数

要作跟9.3 A Markov-switching vector equilibrium correction model相同的结果
我已帮你修改程序
请将底下copy,存成 xxx.ox
#include <oxstd.h>
#import  <msvar130>
main()
{
        decl time=timer();
        decl msvar = new MSVAR();
        msvar->IsOxPack(FALSE);       
        // MSVAR settings (TRUE: automatic StdErrors, TRUE: automatic DrawResults, TRUE: save gwg files)                    
        msvar->SetOptions(TRUE,TRUE,TRUE);         
        // Load data and select variables       
        msvar->Load("kroto.xls");
        msvar->SetPrint(TRUE,TRUE); // all results are printed        
        //(tolerance, max.#iterations, max.#iterations for MSteps)
        decl M=3; // number of regimes
        decl p=1; // number of lages
        msvar->Select(Y_VAR, { "DN", 0, p, "DY", 0, p});        //endogenous
        msvar->Select(X_VAR, { "Cyn", 1, 1});                        //exogenous
        msvar->SetSample(1962,1,1997,1);
        // Specify the MS-VAR                                                                               
        msvar->SetModel(MSIH, M);                        // model specification
        // ESTIMATE
        msvar->Estimate();                                // estimates
        //        Graphics       
        msvar->DrawResults();                        // shows graphics
        msvar->DrawErrors(TRUE);                // shows graphics
        msvar->DrawFit();                        // shows graphics
        msvar->StdErr();                        // calculates standard errors                       
        delete msvar;
}

////////Results:
---------- Calculate starting values ---------------

It.  0         LogLik =  -129.2811         Pct.Change =100.0000
It.  1         LogLik =  -119.2110         Pct.Change =  7.7893
It.  2         LogLik =  -115.4770         Pct.Change =  3.1323
It.  3         LogLik =  -114.4653         Pct.Change =  0.8761
.....
.....
It. 34         LogLik =  -112.8070         Pct.Change =  0.0002
It. 35         LogLik =  -112.8069         Pct.Change =  0.0001
It. 36         LogLik =  -112.8068         Pct.Change =  0.0001

---------- EM algorithm converged  -----------------

EQ( 1) MSIH(3)-VARX(1) model of (DN,DY)
       Estimation sample: 1962 (3) - 1997 (1)

no. obs. per eq. :        139    in the system :        278   
no. parameters   :         27    linear system :         11   
no. restrictions :         10
no. nuisance p.  :          6

log-likelihood   :  -112.8068    linear system :  -145.4374  

AIC criterion    :     2.0116    linear system :     2.2509
HQ  criterion    :     2.2432    linear system :     2.3453
SC  criterion    :     2.5816    linear system :     2.4831

LR linearity test:    65.2612    Chi(10) =[0.0000] **  Chi(16)=[0.0000] **  DAVIES=[0.0000] **  


---------- matrix of transition probabilities ------

          Regime 1  Regime 2  Regime 3
Regime 1    0.8201    0.0364    0.1435
Regime 2    0.0532    0.9435    0.0033
Regime 3    0.0350    0.0738    0.8911


---------- regime properties ----------------------

              nObs     Prob.  Duration
Regime 1      29.1    0.2058      5.56
Regime 2      64.7    0.5072     17.68
Regime 3      45.2    0.2869      9.19

---------- coefficients ----------------------------

                     DN         DY
Const(Reg.1)  -0.035353  -0.225165
Const(Reg.2)   0.233379   0.604256
Const(Reg.3)   0.431374   1.181520
DN_1           0.538135   0.145198
DY_1           0.023442   0.001669
Cyn_1          0.071826  -0.022038
  SE (Reg.1)   0.450898   1.036841
  SE (Reg.2)   0.136691   0.427576
  SE (Reg.3)   0.289862   0.783621

---------- contemporaneous correlation -------------

Regime 1
          DN        DY
DN    1.0000    0.8474
DY    0.8474    1.0000

Regime 2
          DN        DY
DN    1.0000    0.3916
DY    0.3916    1.0000

Regime 3
          DN        DY
DN    1.0000    0.6685
DY    0.6685    1.0000

---------- standard errors -------------------------

                     DN         DY
Const(Reg.1)     0.1113     0.2786
Const(Reg.2)     0.0433     0.1147
Const(Reg.3)     0.0863     0.2159
DN_1             0.0596     0.1689
DY_1             0.0363     0.0978
Cyn_1            0.0226     0.0667

---------- t - values ------------------------------

                    DN        DY
Const(Reg.1)   -0.3176   -0.8083
Const(Reg.2)    5.3955    5.2692
Const(Reg.3)    4.9963    5.4736
DN_1            9.0319    0.8597
DY_1            0.6460    0.0171
Cyn_1           3.1774   -0.3304

try function
Impulse(const h, const fIrCum, const fIrOrth, ...);

谢谢epoh老师，我运行出来结果了，非常感谢！

脉冲函数具体怎么用 能介绍的详细一点吗？发现这个帖子里就是脉冲响应讲的比较少了，谢谢！

老师您好，我最近在用OX6.0作中国的经济周期分区置图，为什么总感觉的得不到理想的效果，我用的是行业增加值同比增长率，总感觉差点什么，是不是数据不对还是怎么了

Impulse(const h, const fIrCum, const fIrOrth, ...)这个好像不是我们一般意义上的irf。epoh老师能提供点你画的脉冲函数的细节吗？

74楼的那些图-，-

很不错的帖子，就是看不懂

这个是可以win7下使用的，跟lz的大致相同，经过win7 32位检验

epoh老师，您好！这段修改后的程序可以运行，但是我看不懂msvar->Select(Y_VAR, { "DN", 0, p, "DY", 0, p});这里面“DN”后面的0表示什么？还有就是这段用来做MSVECM的，里面的内生变量像DN/DY是原始数据，还是差分后的数据呢？谢谢！

msvardoc.pdf page 24/26
MSVAR::Select
  iGroup in: int, group indicator: Y_VAR, X_VAR, I_VAR or IL_VAR
  aSel in: array, specifying database name, start lag, end lag

  Y_VAR dependent and lagged dependent variable
  X_VAR exogenous regressors

decl p=1; // number of lages
msvar->Select(Y_VAR, { "DN", 0, p, "DY", 0, p});
msvar->Select(X_VAR, { "Cyn", 1, 1});

  variable name : "DN"
  start lag : 0
  end lag : 1

DN,DY,Cyn : original data,see KROTO.xls

谢谢！  还有个很白痴的问题，就是我用自己的数据时，总是提示
Invalid .XLS file
Runtime error: variable has no value
Runtime error occurred in Select(463), call trace:
D:\Ox\src\database.ox (463): Select
modelbase.ox (45): Select
C:\Users\Administrator\Desktop\GiveWin2\Ox\packages\msvar\MSVECM.ox (16): main
貌似是数据格式有问题，但是我已经存为了excel03-05的格式，为什么识别不了呢？
而且我注意到之前GNP82和WBC这两个数据文件除了xls格式外，还有BN7和IN7这两个格式，这是在OX运行数据文件必须的吗？

file\open data file\xxx.xls
save as xxx.int

then will create 2 files:xxx.in7 and xxx.bn7

我用您说的方法还是不行，打不开，提示invalid xls file。专门用来转换数据格式的stattransfer我也用了，还是没用，真的想不出其他办法了，麻烦您帮忙看下我的程序和数据。谢谢！

  

---------- Calculate starting values ---------------

It.  0         LogLik =   435.4730         Pct.Change =100.0000
It.  1         LogLik =   471.4315         Pct.Change =  8.2574
It.  2         LogLik =   506.6750         Pct.Change =  7.4759
It.  3         LogLik =   521.5171         Pct.Change =  2.9293
It.  4         LogLik =   528.9804         Pct.Change =  1.4311
It.  5         LogLik =   533.0290         Pct.Change =  0.7654
It.  6         LogLik =   537.3243         Pct.Change =  0.8058
It.  7         LogLik =   546.6212         Pct.Change =  1.7302
It.  8         LogLik =   551.7913         Pct.Change =  0.9458
It.  9         LogLik =   553.0942         Pct.Change =  0.2361
It. 10         LogLik =   554.7288         Pct.Change =  0.2956
It. 11         LogLik =   557.4417         Pct.Change =  0.4890
It. 12         LogLik =   561.5891         Pct.Change =  0.7440
It. 13         LogLik =   566.7943         Pct.Change =  0.9269
It. 14         LogLik =   574.5984         Pct.Change =  1.3769
It. 15         LogLik =   578.4564         Pct.Change =  0.6714
It. 16         LogLik =   582.6039         Pct.Change =  0.7170
It. 17         LogLik =   584.3447         Pct.Change =  0.2988
It. 18         LogLik =   584.5508         Pct.Change =  0.0353
It. 19         LogLik =   584.5832         Pct.Change =  0.0055
It. 20         LogLik =   584.5925         Pct.Change =  0.0016
It. 21         LogLik =   584.5957         Pct.Change =  0.0005
It. 22         LogLik =   584.5969         Pct.Change =  0.0002
It. 23         LogLik =   584.5974         Pct.Change =  0.0001

---------- EM algorithm converged  -----------------

EQ( 1) MSIH(2)-VARX(2) model of (dlsto,dlgdp,dlpre)
       Estimation sample: 1951 (1) - 1988 (4)

no. obs. per eq. :        152    in the system :        456   
no. parameters   :         47    linear system :         36   
no. restrictions :          9
no. nuisance p.  :          2

log-likelihood   :   584.5974    linear system :   426.4194  

AIC criterion    :    -7.0736    linear system :    -5.1371
HQ  criterion    :    -6.6938    linear system :    -4.8462
SC  criterion    :    -6.1386    linear system :    -4.4209

LR linearity test:   316.3560    Chi(9) =[0.0000] **  Chi(11)=[0.0000] **  DAVIES=[0.0000] **  


---------- matrix of transition probabilities ------

          Regime 1  Regime 2
Regime 1    0.8728    0.1272
Regime 2    0.4994    0.5006


---------- regime properties ----------------------

              nObs     Prob.  Duration
Regime 1     121.3    0.7970      7.86
Regime 2      30.7    0.2030      2.00

---------- coefficients ----------------------------

                  dlsto      dlgdp      dlpre
Const(Reg.1)   0.011923   0.013604   0.020555
Const(Reg.2)   0.014628   0.004687  -0.021077
dlsto_1        0.293140   0.023008   0.348107
dlsto_2        0.228787   0.010290  -0.112545
dlgdp_1       -0.024763   0.027219   0.049976
dlgdp_2       -0.000052   0.011286  -0.005672
dlpre_1       -0.019286  -0.117101  -0.116234
dlpre_2       -0.080203  -0.048408   0.034234
resid1_1       0.016217   0.113019  -0.339876
resid2_1      -0.147642   0.007816  -0.297111
resid3_1      -0.036318  -0.069762  -0.386235
  SE (Reg.1)   0.084635   0.012600   0.125986
  SE (Reg.2)   0.068029   0.280695   0.090655

---------- contemporaneous correlation -------------

Regime 1
          dlsto     dlgdp     dlpre
dlsto    1.0000   -0.1630    0.0108
dlgdp   -0.1630    1.0000    0.1033
dlpre    0.0108    0.1033    1.0000

Regime 2
          dlsto     dlgdp     dlpre
dlsto    1.0000   -0.3424    0.2160
dlgdp   -0.3424    1.0000   -0.5580
dlpre    0.2160   -0.5580    1.0000

---------- standard errors -------------------------

                  dlsto      dlgdp      dlpre
Const(Reg.1)     0.0117     0.0021     0.0170
Const(Reg.2)     0.0158     0.0508     0.0226
dlsto_1          0.2912     0.0499     0.4203
dlsto_2          0.0984     0.0185     0.1431
dlgdp_1          0.1154     0.0210     0.1646
dlgdp_2          0.0737     0.0124     0.1076
dlpre_1          0.3200     0.0569     0.4501
dlpre_2          0.1378     0.0237     0.1955
resid1_1         0.3215     0.0578     0.4509
resid2_1         0.3020     0.0520     0.4366
resid3_1         0.1576     0.0329     0.2249

---------- t - values ------------------------------

                 dlsto     dlgdp     dlpre
Const(Reg.1)    1.0189    6.4807    1.2105
Const(Reg.2)    0.9238    0.0923   -0.9340
dlsto_1         1.0066    0.4610    0.8282
dlsto_2         2.3250    0.5573   -0.7864
dlgdp_1        -0.2145    1.2981    0.3036
dlgdp_2        -0.0007    0.9097   -0.0527
dlpre_1        -0.0603   -2.0583   -0.2583
dlpre_2        -0.5820   -2.0397    0.1751
resid1_1        0.0504    1.9570   -0.7537
resid2_1       -0.4889    0.1503   -0.6806
resid3_1       -0.2305   -2.1173   -1.7172

我的还是不行，提示Invalid .XLS file
Runtime error: variable has no value
Runtime error occurred in Select(463), call trace:
D:\Ox\src\database.ox (463): Select
modelbase.ox (45): Select
C:\Users\Administrator\Desktop\GiveWin2\Ox\packages\msvar\MSVECM.ox (16): main
可能是我这个版本有问题…… 还是非常感谢了！我再想想办法

epoh老师，我现在也想做脉冲响应，能不能解释一下const h, const fIrCum, const fIrOrth代表的意思呢？希望能给予解答！

Impulse(const h, const fIrCum, const fIrOrth)
Impulse(20,TRUE,TRUE)

fIrCum : compute the cumulated impulse response coefficients
fIrOrtho : compute the orthogonalised impulse response coefficients

谢谢epoh老师，那常数h的设置有什么要求吗？我看到krolzig的一个程序里设置的是40，这个常数代表的什么呢？

h : a positive integer for the number of periods to trace the
     response function

明白许多了，非常感谢！

老师您好，请问Ox里面的gauss和gauss有什么本质的却别吗？可应用OXgauss运行带有马尔科夫转移模型的极大似然估计吗？

意思是在OX也能运行GAUSS程序,
当然直接在GAUSS执行就行了

楼主，你好，我需要着ox软件和msvar的包，怎么向你购买呢！

老师您好，我想您肯定也知道gauss的使用方法吧。我在网上下载了kim的程序，但是运行不出来，不知道是那里除了问题。不知老师能不能帮我修改下，使程序能够运行呢？
/* +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
Decomposition of REAL GNP into random walk (stochastic trend) component
vs. stationary (cyclical) component
Model:
             y_t = y_{1t} + y_{2t}

  Trend:   y_{1t}=g_{t-1} + y_{1,t-1} + v_t,  v_t -- i.i.d. N(0,sigma_v^2)
                    g_t = g_{t-1} + w_t       w_t -- i.i.d. N(0,sigma_w^2)

  Cycle:   y_{2t}=phi_1* y_{2,t-1} + phi_2* y_{2,t-2} + u_t,
                                              u_t -- i.i.d. N(0,sigma_u^2)
cjkim@korea.ac.kr

WRITTEN BY C.J. KIM, DEPT. OF ECONOMICS, KOREA UNIVERSITY
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ */


new;
library  optmum, pgraph;

format /m1 /rd 9,6;
load data[195,1]=gdp4795.prn;  @Real GDP 1947.1 - 1995.3; From CITIBASE@————我试了下数据根本就无法导入。我是把数据改成txt文件，路径名也改了，依然不行。
yy= LN(data[1:195,1]);

t=rows(yy);




@ Maximum Likelihood Estimation @


START=21;  @1951.I @

prmtr_in={ 2  2  2  2  1 };

PRMTR_IN=PRMTR_IN';

                     @Initial values of the parameters @


{xout,fout,gout,cout}=optmum(&lik_fcn,PRMTR_IN);
                     @ prmtr estimates, -log lik value, Grandient, code@




prm_fnl=trans(xout);

"Calculating Hessian..... Please be patient!!!!";
                  hessn0=hessp(&lik_fcn,xout);
                  cov0=inv(hessn0);

grdn_fnl=gradfd(&TRANS,xout);
cov=grdn_fnl*cov0*grdn_fnl';
SD =sqrt(diag(cov)); @Standard errors of the estimated coefficients@


output file=clrk_uc1.out reset;

"==FINAL OUTPUT========================================================";
"initial values of prmtr is";
                 trans(prmtr_in)';
"==============================================================";
"likelihood value is ";; -fout;
"code";;cout;
"Estimated parameters are:";
prm_fnl';
XOUT';
"Standard errors of parameters are:"; sd';
OUTPUT OFF;

DATA = filter(xout);

output file=clrk_uc1.dta reset;
yy[start:t]~DATA;
output off;

XY(SEQA(1,1,ROWS(DATA)),YY[START:T,1]~DATA[.,1]);
XY(SEQA(1,1,ROWS(DATA)),DATA[.,2]~zeros(rows(data),1));
XY(SEQA(1,1,ROWS(DATA)),DATA[.,3]);


@ END OF MAIN PROGRAM @
@========================================================================@
@========================================================================@




PROC LIK_FCN(PRMTR1);

     LOCAL SV,SE,F,H,Q,R,BETA_LL,P_LL,BETA_TL,P_TL,BETA_TT,P_TT,vt,ft, VAL,
     LIK_MAT,J_ITER, phi1,phi2,vecpll,prmtr,mu,SW;


     PRMTR=TRANS(PRMTR1);

LOCATE 20,1;  PRMTR';

     SV=PRMTR[1,1];  @s.e. of the random walk component@
     SE=PRMTR[2,1];  @s.e. of the AR component@
     SW=PRMTR[3,1];
     phi1=prmtr[4,1];
     phi2=prmtr[5,1];


      F=(1~0~0~1)|
        (0~phi1~phi2~0)|
        (0~1~0~0)|
        (0~0~0~1);


     H=1~1~0~0;

     Q= ZEROS(4,4);
     Q[1,1]=SV^2; Q[2,2]=SE^2;  Q[4,4]=SW^2;


     R= 0;


     BETA_LL=0|0|0|0;
     P_LL=EYE(4)*100;

     LIK_MAT=ZEROS(T,1);

J_ITER = 1;
DO UNTIL J_ITER>T;

      BETA_TL = F * BETA_LL ;
      P_TL = F * P_LL * F' + Q;

      vt=yy[j_iter,1] - H * BETA_TL ; @prediction error@

      ft= H * P_TL * H' + R;       @variance of forecast error@


      BETA_TT= BETA_TL + P_TL * H' * inv(ft) * vt;
      P_TT= P_TL - P_TL * H' * inv(ft) * H * P_TL;

      LIK_MAT[J_ITER,1] =  -0.5*(LN(2*pi*ft) + vt^2/ft);

      BETA_LL=BETA_TT;
      P_LL=P_TT;


J_ITER = J_ITER+1;
ENDO;

VAL =-SUMC(LIK_MAT[START:T]);

LOCATE 2,20;  VAL;

RETP(VAL);
ENDP;


@>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>@

PROC FILTER(PRMTR1);

     LOCAL SV,SE,F,H,Q,R,BETA_LL,P_LL,BETA_TL,P_TL,BETA_TT,P_TT,
     vt,ft, VAL, LIK_MAT,J_ITER,
     phi1,phi2,vecpll,prmtr,mu,SW,BETA_MAT;

     BETA_MAT=ZEROS(T,3);

     LIK_MAT=ZEROS(T,1);

     PRMTR=TRANS(PRMTR1);

LOCATE 20,1;  PRMTR';

     SV=PRMTR[1,1];  @s.e. of the random walk component@
     SE=PRMTR[2,1];  @s.e. of the AR component@
     SW=PRMTR[3,1];
     phi1=prmtr[4,1];
     phi2=prmtr[5,1];


      F=(1~0~0~1)|
        (0~phi1~phi2~0)|
        (0~1~0~0)|
        (0~0~0~1);


      H=1~1~0~0;

      Q= ZEROS(4,4);
              Q[1,1]=SV^2; Q[2,2]=SE^2;  Q[4,4]=SW^2;


      R= 0;

      BETA_LL=0|0|0|0;  @initial value            @
      P_LL=EYE(4)*100;

J_ITER = 1;
DO UNTIL J_ITER>T;



      BETA_TL = F * BETA_LL ;
      P_TL = F * P_LL * F' + Q;

      vt=yy[j_iter,1] - H * BETA_TL ;
                  @prediction error@

      ft= H * P_TL * H' + R;       @variance of forecast error@


      BETA_TT= BETA_TL + P_TL * H' * inv(ft) * vt;
      P_TT= P_TL - P_TL * H' * inv(ft) * H * P_TL;


BETA_MAT[J_ITER,.]=BETA_TT[1,1]~BETA_TT[2,1]~BETA_TT[4,1];

      BETA_LL=BETA_TT;
      P_LL=P_TT;


J_ITER = J_ITER+1;
ENDO;


RETP(BETA_MAT[START:T,.]);
ENDP;


@================================================================@
PROC TRANS(c0); @ constraining values of reg. coeff.@
         local c1,d1,d2;

     c1=c0;

     c1[1:3,.]=exp(-1*c0[1:3,.])/10;

     d1=c0[4,1]./(1+abs(c0[4,1]));
     d2=c0[5,1]./(1+abs(c0[5,1]));

     c1[4,1]=d1+d2;
     c1[5,1]= -1* d1*d2 ;


retp(c1);
endp;
gauss新手，很多都不大明白，多谢老师了。

你好，可不可以分享一下oxpro340?我在论坛上木有搜到，另，这里的GiveWin2可以用2.3版本的吗？
我的邮箱是fantasy178@163.com.
期待您的帮助。。非常感谢

您好，请问可不可以分享一下oxpro340这个软件？另外，这个msvar适用于ox5或6版本的吗？
我的邮箱的fantasy178@163.com.期待您的帮助。。。