你好：我用上一楼的数据和方法，得到了结果确不同与他的，我的tsDyn是9.o版的。结果如下：
>svpdx <- read.table("data.txt", header = TRUE)
>svpdx
    cpi  rpi          m2
1   3.4  2.9  0.26524514
2   6.4  5.4  0.31278198
3  14.7 13.2  0.37310154
4  24.1 21.7  0.34529154
5  17.1 14.8  0.29467111
6   8.3  6.1 -0.03867458
7   2.8  0.8  0.34668927
8  -0.8 -2.6  0.17245702
9  -1.4 -3.0  0.14411363
10  0.4 -1.5 -0.31433668
11  0.7 -0.8  0.87572994
12 -0.8 -1.3  0.16337324
13  1.2 -0.1  0.19679602
14  3.9  2.8  0.18161695
15  1.8  0.8  0.14387323
16  1.5  1.0  0.18886459
17  4.8  3.8  0.15787746
18  5.9  5.9  0.18875571
19 -0.7 -1.2  0.18736354
> x=svpdx$cpi
> y=svpdx$rpi
> z=svpdx$m2
> library(tsDyn)
>ndx.lstar <- lstar(x, m=3,d=1, thVar=z,control=list(maxit=3000))
（使用此命令得到的结果与你的上述结果有很大有不同，特别是gamma值= 330.0193）结果如下：
Using maximum autoregressive order for low regime: mL = 3
Using maximum autoregressive order for high regime: mH = 3
Using only first 16 elements of thVar
Performing grid search for starting values...
Starting values fixed: gamma =  100 , th =  0.2919505 ; SSE =  103.1979
Grid search selected lower/upper bound gamma (was:  1 100 ]).
                                          Might try to widen bound with arg: 'starting.control=list(gammaInt=c(1,200))'
Convergence problem code 1. You might want to increase maximum number of iterations by setting 'control=list(maxit=1000)'
Optimized values fixed for regime 2  : gamma =  330.0193 , th =  0.2820525 ; SSE =  90.99445
> summary(ndx.lstar)

Non linear autoregressive model

LSTAR model
Coefficients:
Low regime:
    const1     phi1.1     phi1.2     phi1.3
-0.7398994  1.8526579 -1.2560973  0.7310564
High regime:
    const2     phi2.1     phi2.2     phi2.3
2.7868701 -1.0567428  1.0397095 -0.8612935
Smoothing parameter: gamma = 330
Threshold
Variable: external
Value: 0.2821
Residuals:
     Min       1Q   Median       3Q      Max
-5.95810 -1.28246 -0.17115  1.28210  4.00887
Fit:
residuals variance = 4.789,  AIC = 50, MAPE = 132%
Coefficient(s):
         Estimate  Std. Error  t value  Pr(>|z|)   
const1  -0.739899    0.995576  -0.7432  0.457368   
phi1.1   1.852658    0.257118   7.2055 5.784e-13 ***
phi1.2  -1.256097    0.581746  -2.1592  0.030836 *  
phi1.3   0.731056    0.318841   2.2929  0.021856 *  
const2   2.786870    2.025909   1.3756  0.168941   
phi2.1  -1.056743    0.347791  -3.0384  0.002378 **
phi2.2   1.039710    0.661091   1.5727  0.115784   
phi2.3  -0.861293    0.390391  -2.2062  0.027368 *  
gamma  330.019336 315.129183   1.0473  0.294984   
th       0.282053    0.013939  20.2354 < 2.2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Non-linearity test of full-order LSTAR model against full-order AR model
F = 0.11978 ; p-value = 0.94616
Threshold
Variable: external>  
    我的问题是：    1、这是多变量的LSTAR模型（平滑转换）。为什么在LSTAR中体现不同系列的不稳性问题呢，或者是不需要作平稳性检验？？
    2、我们知道在对作平滑转换模型前，要对基本的回归作非线性检验。这里看不到这一点；是不是不需要这一过程，或含在过程中！
    3、过程中说：Performing grid search for starting values.也即晶格搜索过程；我不知道这一过程的机理，你能不能写出这个过程的程序来；如何选择的！？
    4、这一转换变除X以外的变量z。如是转换变量是Z的滞后项时，又如何办法。是不是程序中也对转换烃量Z及其滞后有选择！如果没有的话，我们要作出是Z的滞后项时，又如何选择呢？
    谢谢！
   

本不想回你，因为水平实在有限，并且两年没动STAR了，现在打算拾起来。
1.你所说的“在LSTAR中体现不同系列的不稳性问题”我不明白你说的是什么意思。但是在建模之前是要进行平稳性检验的，因为序列不平稳的话做起来就没有意义了，至于平稳性检验是进行普通的ADF检验还是非线性单位根检验，你可以阅读一些文献，我这方面没研究过！
2.平滑转换模型在估计前肯定是要做非线性检验的，如果序列不存在非线性性你还有建立STAR模型的必要吗？至于用软件进行模型在估计时看不到这一点，我想所有的软件都不是万能的或者你没有了解其功能。
3.晶格搜索功能你可以看R的源程序，R中所有的过程R都有源代码的。
4.不知道现在R中有没有这个功能，即使没有这个功能如果你对R熟悉的话想实现这个功能也是比较容易的，可以提前定义滞后变量，实在不行用笨方法，手动滞后！

你说的，我有些理解：
   1、序列是要平稳的。这一点可用不同的方法进行行检验；
   2、在R中用ESTAR还是用LSTAR之前，我看不到用R来判定的过程。这是不是在这之前要进行相关的泰勤级数展开，进行转换变量、非线性、平滑转换的类型进行判断。再来用R执行计算结果！
   3、门限值的晶格搜索，由于我的水平有限，在R中我看不到这一点，特别是有关这一方面的作图，望指教。
   4、如何进行提前义滞后变量，就用你的数据中的变量rpi滞后二期作为转换变量，rpi(-2).如何定呢？
   谢谢！

epoh老师您好！好久不见，近来还好吧？还是有个问题得麻烦您，附件中是我的数据，修改以后的脉冲的程序在消息中发给您了，不知道是因为数据本身的问题还是我修改的脉冲程序的问题，做出来不管何种冲击，对低区制的脉冲响应不存在，所以想请教下您，谢谢您啦！

Package 'tsDyn' Version: 0.9-2

似乎做了些改变,不仅是你现在的数据,程序有误,
以前你可以运行的数据,程序,也会产生错误
麻烦你确认一下,
果真如此就要重改了

哦，这样啊……我做了一遍还是这样，我也不清楚这个问题到底在哪里了。还是谢谢您啊！

依274楼的帖子,你应该还是用旧版的'tsDyn',

针对tsDyn 0.9-2,程序我已做了小幅修改,
只要你的hist_m数据,跟底下相同,就OK.
>  hist_m
               V1/0           V1/-1         V1/-2         V1/-3            y          thVar
  [1,] 1 0.00179668 0.00270453 0.00425054 0.00585017 0.00164751  0.1691
  [2,] 1 0.00164751 0.00179668 0.00270453 0.00425054 0.00164379  0.1067
  [3,] 1 0.00164379 0.00164751 0.00179668 0.00270453 0.00363308 -0.0089
  ...
  ...
  ...
[119,] 1 0.00435414 0.00666589 0.00665750 0.00586029 0.00407734 -0.7494
[120,] 1 0.00407734 0.00435414 0.00666589 0.00665750 0.00407991 -0.4094
[121,] 1 0.00407991 0.00407734 0.00435414 0.00666589 0.00394814  0.1550

shock on low,high regime 修改后的程序在短信息

太谢谢您了！我再试试！

请教：epoh
看

http://127.0.0.1:28317/library/tseries/html/arma.html
的例子出了问题！！！

一、以下是网页上其中的例子：

See Also

summary.arma for summarizing ARMA model fits; arma-methods for further methods; arima0, ar.

Examples


1、data(nino)
2、s<-nino3.4
3、summary(s.arma<-arma(s,order=c(20,0)))
4、summary(s.arma<-arma(s,lag=list(ar=c(1,3,7,10,12,13,16,17,19),ma=NULL)))
5、acf(residuals(s.arma),na.action=na.remove)
6、pacf(residuals(s.arma),na.action=na.remove)
7、summary(s.arma<-arma(s,lag=list(ar=c(1,3,7,10,12,13,16,17,19),ma=12)))
8、summary(s.arma<-arma(s,lag=list(ar=c(1,3,7,10,12,13,16,17),ma=12)))
9、plot(s.arma)
***********************************************************************************
   二、我照着以上的例子来实验有如下的结果：> data(nino)
> s<-nino3.4
> summary(s.arma<-arma(s,order=c(20,0)))

Call:
arma(x = s, order = c(20, 0))

Model:
ARMA(20,0)

Residuals:
      Min        1Q    Median        3Q       Max
-1.378647 -0.223040  0.007358  0.215996  1.103511

Coefficient(s):
           Estimate  Std. Error  t value Pr(>|t|)   
ar1         1.10163     0.04090   26.932  < 2e-16 ***
ar2        -0.05461     0.06063   -0.901 0.367693   
ar3        -0.17718     0.06060   -2.924 0.003457 **
ar4         0.07072     0.06056    1.168 0.242900   
ar5        -0.05292     0.05990   -0.884 0.376941   
ar6         0.06743     0.05932    1.137 0.255661   
ar7        -0.17060     0.05877   -2.903 0.003698 **
ar8        -0.03509     0.05857   -0.599 0.549068   
ar9         0.03326     0.05827    0.571 0.568113   
ar10        0.14149     0.05829    2.427 0.015206 *  
ar11        0.01597     0.05812    0.275 0.783504   
ar12        0.16400     0.05791    2.832 0.004629 **
ar13       -0.22467     0.05833   -3.852 0.000117 ***
ar14       -0.01355     0.05869   -0.231 0.817394   
ar15       -0.04530     0.05845   -0.775 0.438283   
ar16       -0.18815     0.05807   -3.240 0.001196 **
ar17        0.20923     0.05868    3.566 0.000363 ***
ar18        0.07387     0.05868    1.259 0.208074   
ar19       -0.13363     0.05792   -2.307 0.021045 *  
ar20        0.05234     0.04002    1.308 0.190952   
intercept   4.46824     0.79612    5.613 1.99e-08 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Fit:
sigma^2 estimated as 0.1079,  Conditional Sum-of-Squares = 62.24,  AIC = 407.41


>summary(s.arma<-arma(s,lag=list(ar=c(1,3,7,10,12,13,16,17,19),ma=NULL)))

Call:
arma(x = s, lag = list(ar = c(1, 3, 7, 10, 12, 13, 16, 17, 19),     ma = NULL))

Model:
ARMA(19,0)

Residuals:
      Min        1Q    Median        3Q       Max
-1.360875 -0.230887  0.005043  0.226822  1.090989

Coefficient(s):
           Estimate  Std. Error  t value Pr(>|t|)   
ar1         1.07772     0.02642   40.793  < 2e-16 ***
ar3        -0.16942     0.03016   -5.618 1.93e-08 ***
ar7        -0.13913     0.02254   -6.174 6.67e-10 ***
ar10        0.16459     0.02931    5.615 1.97e-08 ***
ar12        0.20472     0.04754    4.306 1.66e-05 ***
ar13       -0.29976     0.04133   -7.253 4.07e-13 ***
ar16       -0.21637     0.04349   -4.975 6.54e-07 ***
ar17        0.25139     0.04648    5.408 6.37e-08 ***
ar19       -0.04510     0.02580   -1.748   0.0804 .  
intercept   4.61896     0.77687    5.946 2.75e-09 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Fit:
sigma^2 estimated as 0.1094,  Conditional Sum-of-Squares = 63.24,  AIC = 393.87

   警告信息：
   In arma(s,lag=list(ar=c(1,3,7,10,12,13,16,17,19)，ma=NULL)) :
  order is ignored
     册除ar19,再一次操作
    >summary(s.arma<-arma(s,lag=list(ar=c(1,3,7,10,12,13,16,17),ma=NULL)))

Call:
arma(x = s, lag = list(ar = c(1, 3, 7, 10, 12, 13, 16, 17), ma = NULL))

Model:
ARMA(17,0)

Residuals:
       Min         1Q     Median         3Q        Max
-1.3866267 -0.2350164 -0.0007791  0.2283570  1.0824308

Coefficient(s):
           Estimate  Std. Error  t value Pr(>|t|)   
ar1         1.06130     0.02580   41.137  < 2e-16 ***
ar3        -0.14112     0.02764   -5.105 3.31e-07 ***
ar7        -0.15045     0.02201   -6.835 8.22e-12 ***
ar10        0.15700     0.02921    5.375 7.64e-08 ***
ar12        0.22580     0.04693    4.812 1.50e-06 ***
ar13       -0.30550     0.04144   -7.373 1.67e-13 ***
ar16       -0.20657     0.04298   -4.806 1.54e-06 ***
ar17        0.20237     0.03788    5.342 9.19e-08 ***
intercept   4.23763     0.73063    5.800 6.63e-09 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Fit:
sigma^2 estimated as 0.11,  Conditional Sum-of-Squares = 63.81,  AIC = 395.16

   警告信息：
   In arma(s, lag = list(ar = c(1, 3, 7, 10, 12, 13, 16, 17), ma = NULL)) :
     order is ignored
问题：
1、为什么网页的教程没有出现警告信息。
2、是不是分析包有所的改变？
3、如何改动：arma(s, lag = list(ar = c(1, 3, 7, 10, 12, 13, 16, 17), ma = NULL)) 的语句才不会出现错误！
4、在例子一第一句中：
     summary(s.arma<-arma(s,order=c(20,0)))，是不考虑有MA（p)的情况。如何我们要考虑MA（P）的情况，变成语句：(p=1)
  > summary(s.arma<-arma(s,order=c(20,1)))
    则显示错误：
     错误于optim(coef, err, gr = NULL, hessian = TRUE, ...) :   optim回覆了无限值。
   请问如我要考虑MA（P）的情况，则上述语句如何改！谢谢！

http://127.0.0.1:28317/library/tseries/html/arma.html
哈哈,无法开启.

是的。

直接开不了。
我在R的运行环境下输入
？？arma回车，则会显示‘starting httpd help server ... done“。
则 ”猎豹安全浏览器“自动开启，出现页面：http://127.0.0.1:29175/doc/html/Search?pattern=arma
，再选择倒数第三个（tseries::arma  Fit ARMA Models to Time Series ）则会显示出以下的页面，（http://127.0.0.1:29175/library/tseries/html/arma.html）
的Examples
例子。
谢谢！

请教epoh老师，tsDyn可以做多元LSTAR么？ only univariate time series are allowed
是什么意思？比如我的时间序列数据框有y,x1,x2,x3四个变量，y是解释被变量，x1-3是解释变量，先建立线性方程y=a0+a1*x1+a2*x2+a3*x3+u，假设我要x2为转换变量，我应该怎样写命令呢？如果我进一步想x2的函数，比如X2=x2的绝对值，或者平方做转换变量，命令又该怎么写呢？求epoh老师和各位大侠百忙之中抽空给小弟指点迷津！！拜托拜托

epoh，向你请教：
    我在用R包中自带的数据进行门限回归学习；发现有些问题要向请教。
> library(TSA)
> data(prey.eq)
> prey.tar.1=tar(y=log(prey.eq),p1=4,p2=4,d=3,a=.1,b=.9,print=TRUE)

time series included in this analysis is:  log(prey.eq)
SETAR(2, 1 , 4 ) model delay = 3
estimated threshold =  4.661  from a Minimum AIC  fit with thresholds
searched from the  17  percentile to the   81  percentile of all data.
The estimated threshold is the  56.6  percentile of
all data.
lower regime:
Residual Standard Error=0.2341
R-Square=0.9978
F-statistic (df=2, 28)=6355.76
p-value=0

                       Estimate Std.Err t-value Pr(>|t|)
intercept-log(prey.eq)   0.2621  0.3156  0.8305   0.4133
lag1-log(prey.eq)        1.0175  0.0704 14.4455   0.0000

(unbiased) RMS
0.05479
with no of data falling in the regime being
log(prey.eq) 30

(max. likelihood) RMS for each series (denominator=sample size in the regime)
log(prey.eq) 0.05114

upper regime:
Residual Standard Error=0.2676
R-Square=0.9971
F-statistic (df=5, 18)=1253.556
p-value=0

                       Estimate Std.Err t-value Pr(>|t|)
intercept-log(prey.eq)   4.1986  1.2841  3.2697   0.0043
lag1-log(prey.eq)        0.7081  0.2023  3.5005   0.0026
lag2-log(prey.eq)       -0.3009  0.3118 -0.9648   0.3474
lag3-log(prey.eq)        0.2788  0.4063  0.6861   0.5014
lag4-log(prey.eq)       -0.6113  0.2726 -2.2427   0.0377

(unbiased) RMS
0.07158
with no of data falling in the regime being
23

(max. likelihood) RMS for each series (denominator=sample size in the regime)
0.05602
Nominal AIC is  10.92
      我的问题是，在高区中的滞后2，3，4项的回归系数在一定的显著水平下，P值不算好。那么我肯定要在滞后2，3，4中进行选择最好的。比如，我首先选择lag3-log的系数为零，进行回归，再来看结果。
    请回：1、在门限回归中要不要对各区的系数进行显著性或不显著性判定（用其P值）。
          2、如果应当这样作的话，那么我们又如何来限制不显著的系数为零呢？请就这个结果和prey.tar.1=tar(y=log(prey.eq),p1=4,p2=4,d=3,a=.1,b=.9,print=TRUE)语句邦助修改。谢谢！
      3、另外我试了一种限制的办法，也是不行的。
             prey.tar.1=tar(y=log(prey.eq),p1=4,p2=4,fixed=c(NA,Na,0,Na,NA),d=3,a=.1,b=.9,print=TRUE)
           错误于tar(y = log(prey.eq), p1 = 4, p2 = 4, fixed = c(NA,Na,0,Na,NA),  :
           参数((fixed = c(NA,Na,0,Na,NA))) 没有用。

你好：这个问题解决了吗？能不能告诉我这个问题如何解决办法。谢谢！

你好：
我用数据来构造模型得到如下结果，你能邦我解决这是什么结果吗！最后MRSTAR代表什么？没有学习此模型。

>mod=star(dlm2,m=5,d=1,thDelay=1,noRegimes=2,control=list(maxit=3000))
Testing linearity...   p-Value =  0.009279364
The series is nonlinear. Incremental building procedure:
Building a 2 regime STAR.
Performing grid search for starting values...
Starting values fixed: gamma =  100 , th =  0.01546482 ; SSE =  0.01469572
Grid search selected lower/upper bound gamma (was:  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 , th =  0.01546185 ; SSE =  0.01469572
Finished building a MRSTAR with 2 regimes
>

这个帖子真是滋养了star方面的不少人，非常感谢楼主和epoh。从2011年延绵到现在。我也从中获益很多

正如liufayue所言，很多人都从这个帖子中获益非浅，感谢epoh老师和南冰！

南冰兄硕士毕业后去哪里工作了？

60楼中南冰问道：
    前辈您好，我又碰到新问题了，麻烦您指教。如果我选择的AR（p）模型中自回归的项数不是从1到p而是间断性的，比如说自回归中只有AR(1)和AR(3)项的话我该怎么写STAR函数呢？这样说可能不明白，举个例子，如果我想估计Yt=a+a1Y（t-1）+a2Y(t-3)+[b+b1Y（t-1）+b2Y(t-3)]G(.),其中G（.）为logistic function，如果写mod=star(x, m=3,d=1,thDelay=2,noRegimes=3,control=list(maxit=3000))的话估计出来的会把AR(2)项钱的系数估计出来，如果我只想估计AR(1)和AR(3)项的话我该如何写star（）函数呢？谢谢您了！

这个问题谁解决了吗？
epoh老师的那个重新compile的tsDyn_0.7-40.zip (1.32 MB)不知道具体是如何修改code的？如果知道的话，我们也可以选择合适的滞后变量。
谁能告诉大家的解决办法啊

前辈您好！我碰到新问题了，烦请您在百忙之中给予解答，谢谢！
我想用R编程借助MC方法求下面t统计量的临界值（其中，W（r）是定义在[0,1]上的标准布朗运动），但是苦于没有相关材料，如果您有相关材料或者R程序，烦请提供，不胜感激！

问题已解决，可详细看epoh兄提供的代码！

只需建立两区制的STAR模型即可！

这个问题已经基本解决，qq已发给你，可私下交流！

epoh老师您好，好久不见！我最近做LSTAR模型两机制的脉冲响应函数图，中间老师出现这个问题，不知道是怎么回事？
错误于plot.window(...) : 'ylim'值不能是无限的
此外: 警告信息：
1: In min(x) : min里所有的参数都不存在; 回覆Inf
2: In max(x) : max里所有的参数都不存在；回覆-Inf
我把数据和程序都贴到这里，可否让您帮我看看问题所在，谢谢啦！

您好，我用您的数据集svpdx.dat及
library(tsDyn)
svpdx=read.table("svpdx.dat")
mod1.star <- star(svpdx,noRegimes=3, m=2,d=1, control=list(maxit=3000))
mod1.star
结果：
Using default threshold variable: thDelay=0
Testing linearity...   p-Value =  0.01685132
The series is nonlinear. Incremental building procedure:
Building a 2 regime STAR.
Using default threshold variable: thDelay=0
Performing grid search for starting values...
Starting values fixed: gamma =  16.23077 , th =  -0.8636345 ; SSE =  467.8267
Optimization algorithm converged
Optimized values fixed for regime 2  : gamma =  25.32866 , th =  -0.9464948 ; SSE =  467.2778
Error in rep(NA, length(x) - length(z)) : invalid 'times' argument
请问该问题如何解决呢？

您好，我用7楼的程序以及后来epoh更新的estar_gscale.R，以及以下代码：
source("estar.R")
mod<-estar(log10(lynx),m=2,d=1,control=list(maxit=3000))
Using maximum autoregressive order for low regime: mL = 2
Using maximum autoregressive order for high regime: mH = 2
Using default threshold variable: thDelay=0
Performing grid search for starting values...
Starting values fixed: gamma =  10 , th =  2.179548 ; SSE =  4.99484
Optimization algorithm converged
Optimized values fixed for regime 2  : gamma =  3.018359 , th =  2.068361
source("estar_gscale.R")
mod<-estar(log10(lynx),m=2,d=1,control=list(maxit=3000))
Using maximum autoregressive order for low regime: mL = 2
Using maximum autoregressive order for high regime: mH = 2
Using default threshold variable: thDelay=0
Performing grid search for starting values...
Starting values fixed: gamma =  8 , th =  3.576091 ; SSE =  5.345515
Optimization algorithm converged
Optimized values fixed for regime 2  : gamma =  8.205648 , th =  3.577358
两者的结果和s-plus的结果差异如此之大，为什么呢？

epoh 老师您好，我现在数据跑出来很不理想，我也是引入外生变量，但是我不会赋变量值，而且在做STAR之前，要先进行非线性检验，这个可以怎么检验呢？我看有人说是LM检验，那要怎么处理呢？实在是纠结透我了，烦请您教我一下！谢谢！

epoh 老师您好，我现在数据跑出来很不理想，我也是引入外生变量，但是我不会赋变量值，而且在做STAR之前，要先进行非线性检验，这个可以怎么检验呢？我看有人说是LM检验，那要怎么处理呢？实在是纠结透我了，烦请您教我一下！谢谢！

epoh老师，您好。您在这里的留言对我学习和使用STAR有很大的帮助，我前前后后看了差不多有10遍，从建模到模型的残差检验都是一步步看着你的程序做的。真的特别感谢。只是我一直有一个疑问，这个非线性模型的模型拟合度也就是（r2，或者adjusted r2）要怎么样才能获得呢？还有，我如何在模型中加入月度虚拟变量呢。 谢谢了。期待你的回复:-)

请问您当时这个问题解决了么

您好，这个问题解决了吗，我也遇到了相关问题