你列出的LR test statistic公式没有错!
就 nomean 11个系数full_bekk而言,
S-plus 算出的likelihood就是loglikelihood !
  S-plus : -7470.418
  Matlab : -7.4700e+003
  Winrats : -7470.0652
如果都没错,那LR的值怎那么大(likelihood -7980.331),这是你的疑问
######
full_bekk VS diagonal_bekk
也就是full_bekk
   a11 a12    b11 b12
   a21 a22    b21 b22
中的系数a12,a21,b12,b21设为零,就是diagonal_bekk
a12,a21,b12,b21设为零之后,diagonal_bekk就没有spillover effects
S-plus中LR test可以根据example 90 去做,
但计算结果似乎有误,因为系数显然与diagonal_bekk不符
这可能就是page 532/1016所说的
BHHH algorithm performs local optimization in the sense that
the optimal solution it finds may well be just a local optimum
instead of the global optimum.To make sure that the global optimum
has indeed been reached, start the algorithm using a few different
starting values and see if they all lead to the same optimum.
#################
diagonal_bekk在matlab & e-views的结果接近:
             Coefficient        Std. Error        z-Statistic                                
OMEGA(1)        0.518868        0.043023        12.06025        
BETA(1)           0.949176        0.006293        150.8325        
ALPHA(1)         0.210438        0.012218        17.22400        
OMEGA(3)        0.406375        0.023036        17.64115        
OMEGA(2)        0.321527        0.041833        7.685968        
BETA(2)           0.866632        0.014308        60.56796        
ALPHA(2)        0.334758        0.008604        38.90611        
                                
Log likelihood        -7486.394            

Log likelihood        -7486.394应该是你想要的
所以建议先做Wald test
  

你的意思是不是说：S-PLUS虽然可以估计出来BEKK的参数，但是假设检验不严密，做不出来严谨的结果？
我用wald检验，同样做出来很大。
而且我模仿你给的那个四个假设条件的，自己编了两个假设条件的
得到的 407.5016，不仅同样很大，而且和四个条件的一模一样的数值。无论怎么更改对前面1的赋值，这个结果都不改变。

或者你可以试一下，即使不做赋值1，就给定一个0矩阵，最后也同样可以得到完全相同的一个数值。也就是说，这个程序肯定不对

我非常想做出来这个假设检验，没有假设检验，前面的一切就没有意义了。你能否检查一下论坛流传的WALD检验的命令，我的水平有限，看了好几天WALD的原理，可是BEKK的系数太多，实在无能为力。如果LR是BEKK本身赋初值带来的缺陷，那么WALD能不能严密一些做个假设检验呢？

Rmat=matrix(0,4,13)
Rmat[1,7]=Rmat[2,8]=Rmat[3,11]=Rmat[4,12]=1
rvec=rep(0,4)
bHat=as.vector(coef(rtn.bekk))
avar=Rmat%*%vcov(rtn.bekk)%*%t(Rmat)
Wald=t((Rmat%*%bHat-rvec))%*%solve(avar)%*%(Rmat%*%bHat-rvec)
按照这个格式编，结果还是
> as.numeric(wald.stat)
[1] 407.5016
> p.wald = 1 - pchisq(wald.stat,4)
>

LR test在Matlab很容易
毕竟Matlab在numerical method 方便比较强
做出来约38

Wald test在哪个软件都一样
因为就只须估计一个Unrestricted model
出来的结果都接近约35

下午我先给你s-plus wald test code

Rmat=matrix(0,4,13)
Rmat[1,7]=Rmat[2,8]=Rmat[3,11]=Rmat[4,12]=1
rvec=rep(0,4)
bHat=as.vector(coef(rtn.bekk))
avar=Rmat%*%vcov(rtn.bekk)%*%t(Rmat)
Wald=t((Rmat%*%bHat-rvec))%*%solve(avar)%*%(Rmat%*%bHat-rvec)

那也就是说，论坛里的WALD，还有我仿照着写的这个，都是错得啦？
那我等你这个试试

刚没注意看
你的s-plus code 是正确的
但你的rtn.bekk是啥么
应该是unrestricted model
不是restricted model

rtn=cbind(rsz,rhl)
rtn.bekk=mgarch(rtn~1,~bekk(1,1)
这应该就是非限定的
做出来的wald有400多！

为什么我用这三个做出来的数据是一样的？

Wald test,统计量的确比较大
那就看你方不方便给数据
帮你在各软件测试了
数据你可加密码

又忘了引入

数据在上一楼的回复里，我忘了引入了。
还有我想问，为什么我用三个不同的命令做出来的WALD是一样的？

这是三个命令，没道理一样结果啊？

module("finmetrics")
hp.ibm = seriesMerge(hp.s, ibm.s)
hp.ibm=100*hp.ibm
hp.ibm.bekk = mgarch(hp.ibm~1, ~bekk(1,1))
hp.ibm.bekk

#####
Rmat=matrix(0,4,13)
Rmat[1,7]=Rmat[2,8]=Rmat[3,11]=Rmat[4,12]=1
Rmat
rvec=rep(0,4)
bHat=as.vector(coef(hp.ibm.bekk ))
avar=Rmat%*%vcov(hp.ibm.bekk )%*%t(Rmat)
Wald=t((Rmat%*%bHat-rvec))%*%solve(avar)%*%(Rmat%*%bHat-rvec)
Wald   #39.53947
#A 2 B
Rmat=matrix(0,2,13)
Rmat[1,7]=Rmat[2,11]=1
Rmat
rvec=rep(0,2)
bHat=as.vector(coef(hp.ibm.bekk ))
avar=Rmat%*%vcov(hp.ibm.bekk )%*%t(Rmat)
Wald=t((Rmat%*%bHat-rvec))%*%solve(avar)%*%(Rmat%*%bHat-rvec)
Wald    #18.1506

#B 2 A

Rmat=matrix(0,2,13)
Rmat[1,8]=Rmat[2,12]=1
Rmat
rvec=rep(0,2)
bHat=as.vector(coef(hp.ibm.bekk ))
avar=Rmat%*%vcov(hp.ibm.bekk )%*%t(Rmat)
Wald=t((Rmat%*%bHat-rvec))%*%solve(avar)%*%(Rmat%*%bHat-rvec)
Wald   #15.10734

> Wald
         [,1]
[1,] 8.948605

epoh,是我自己前面弄错了。这个数值不大。
因为我前面每次会按照你给的程序输入
as.numeric(wald.stat)
p.wald = 1 - pchisq(wald.stat,4)

然后就会出来一个相同的数字。
as.numeric(wald.stat)
p.wald = 1 - pchisq(wald.stat,4)
这两句代码到底是什么意思？

[,1]
[1,] 8.948605
>

epoh,这到底是为什么呀？为什么我的结果两个这么大，一个这么小？
难道我做的数据一点意义也没有吗？

的确,你的数据在不同软件
都得到相同结果.
要不然你的数据要先处理成
类似matlab的要求试试
data     - A t by k matrix of zero mean residuals

好的，我再想办法。
那么LR和Wald的P值到底怎么得到呢？
我觉得下面这个命令不对

as.numeric(wald.stat)
p.wald = 1 - pchisq(wald.stat,4)
因为只要用这个命令，就一定得到0

as.numeric(wald.stat)
p.wald = 1 - pchisq(wald.stat,4)
这两句是对的,wald.stat在正常范围都会有值
限制一个系数
  p.wald =1 - pchisq(wald.stat,1)
限制二个系数
  p.wald =1 - pchisq(wald.stat,2)
限制四个系数
  p.wald =1 - pchisq(wald.stat,4)
#######
数据可能出在rhl,请你仔细检查
看图形就知道.
hp.ibm
  
rsz.rhl
  

我知道了。验证过以后确实可以得到P值。
非常感谢你一直为我解答疑问！

能不能请教下在winrat里面如何计算lr检验呢，

请教各位：
关于极值理论POT模型参数估计，即估计广义帕累托分布（GPD）参数，方法采用贝叶斯估计。Openbugs(Winbugs)程序如下：
   model
        {
                for( i in 1 : N )
                   {
                                x[i] ~ dgpar(mu, tau,eta)
                   }
               
        # Prior distributions of the model parameters       

        # Gamma Prior               
                        eta~ dpar(0.001, 0.001)
                                tau~ dgamma(0.001, 0.001)       
                                       
        }
        list(N=30,mu=62, x=c(63.3,67,75,77,80,90,100,100,100,100,100,103,120,136,140,145,150,150,190,270,300,300,400,400,500,700,800,827,1825,2400))
list(tau=1,eta=0.4)
运行结果
                mean        sd        MC_error        val2.5pc        median        val97.5pc        start        sample
        eta        0.897        0.3875        0.002003        0.2862        0.8464        1.796        20000        80001
        tau        106.9        41.31        0.2351        46.51        100.3        206.5        20000        80001
可见：参数tau标准差为41.31，很大。
另外，我对数据用matlab拟合广义帕累托分布，得到参数估计（最大似然法）的标准差也很大。我本意是希望贝叶斯估计比最大似然估计效果要好些，结果均不理想。
问题：
1.程序是否正确？利用该方法，结果如何改进？
2.想用Bootstrap方法结合贝叶斯估计，或单独用Bootstrap方法进行参数估计，我没弄过。
3.其他能改进结果的简单方法。
   

你解决了吗  能不能帮帮我啊