¿Почему AIC не меняется при разных значениях альфы в пакете BigVAR?

Question

В настоящее время я использую R v.4.2.0, пакет BigVAR v.1.1.0 и домашнюю версию Windows 11 21H2.

Я использую функцию ConstructModel для создания штрафной модели VAR с использованием структуры HLAGELEM, однако аргумент не используется для запуска перекрестной проверки для выбора наилучшего альфа-канала. Однако я присвоил разные значения альфы вручную, чтобы сравнить по информационным критериям, какая альфа будет связана с лучшей моделью. Проблема в том, что независимо от того, какую альфу я выберу, AIC будет одинаковым для каждой модели. ¿Почему это происходит и как мне правильно использовать dualаргумент для автоматического выбора лучшей альфы?

      require(quantmod)
require(zoo)
require(vars)
library(expm)
library(BigVAR)
# get GDP, Federal Funds Rate, CPI from FRED
#Gross Domestic Product (Relative to 2000)
getSymbols('GDP',src='FRED',type='xts')
#> [1] "GDP"
GDP<- aggregate(GDP,as.yearqtr,mean)
GDP <- GDP/mean(GDP["2000"])*100
# Transformation Code: First Difference of Logged Variables
GDP <- diff(log(GDP))
index(GDP) <- as.yearqtr(index(GDP))
# Federal Funds Rate
getSymbols('FEDFUNDS',src='FRED',type='xts')
#> [1] "FEDFUNDS"
FFR <- aggregate(FEDFUNDS,as.yearqtr,mean)
# Transformation Code: First Difference
FFR <- diff(FFR)
# CPI ALL URBAN CONSUMERS, relative to 1983
getSymbols('CPIAUCSL',src='FRED',type='xts')
#> [1] "CPIAUCSL"
CPI <- aggregate(CPIAUCSL,as.yearqtr,mean)
CPI <- CPI/mean(CPI['1983'])*100
# Transformation code: difference of logged variables
CPI <- diff(log(CPI))                             
# Seasonally Adjusted M1
getSymbols('M1SL',src='FRED',type='xts')
#> [1] "M1SL"
M1<- aggregate(M1SL,as.yearqtr,mean)
# Transformation code, difference of logged variables
M1 <- diff(log(M1))
# combine series
Y <- cbind(CPI,FFR,GDP,M1)
names(Y) <- c("CPI","FFR","GDP","M1")
Y <- na.omit(Y)
k=ncol(Y)
T <- nrow(Y)
# start/end of rolling validation
T1 <- which(index(Y)=="1985 Q1")
T2 <- which(index(Y)=="2005 Q1")

#Demean
Y <- Y - (c(rep(1, nrow(Y))))%*%t(c(apply(Y[1:T1,], 2, mean))) 
#Standarize Variance 
for (i in 1:k) {
  Y[, i] <- Y[, i]/apply(Y[1:T1,], 2, sd)[i]
}

# Fit an Elementwise HLAG model

Model1=constructModel(as.matrix(Y),p=4,struct="HLAGELEM", 

gran=c(25,10),verbose=FALSE,VARX=list(),T1=T1,T2=T2)

Model1Results=cv.BigVAR(Model1)

str(Model1Results)

Теперь я попробовал вручную разные значения для alpha

        model_0   = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0))
  model_0.1 = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0.1))
  model_0.2 = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0.2))
  model_0.3 = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0.3))
  model_0.4 = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0.4))
  model_0.5 = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0.5))
  model_0.6 = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0.6))
  model_0.7 = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0.7))
  model_0.8 = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0.8))
  model_0.9 = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0.9))
  model_1   = constructModel(as.matrix(Y),p=4,struct="HLAGELEM", gran=c(25,10),verbose=FALSE, IC = TRUE, model.controls=list(alpha = 0))

#Cross Validation

  
  Results_0  =cv.BigVAR(model_0)
  Results_0.1=cv.BigVAR(model_0.1)
  Results_0.2=cv.BigVAR(model_0.2)
  Results_0.3=cv.BigVAR(model_0.3)
  Results_0.4=cv.BigVAR(model_0.4)
  Results_0.5=cv.BigVAR(model_0.5)
  Results_0.6=cv.BigVAR(model_0.6)
  Results_0.7=cv.BigVAR(model_0.7)
  Results_0.8=cv.BigVAR(model_0.8)
  Results_0.9=cv.BigVAR(model_0.9)
  Results_1  =cv.BigVAR(model_1)
  
#Best AIC

  print(Results_0@AICSD, quote=TRUE)
  print(Results_0.1@AICSD, quote=TRUE)
  print(Results_0.2@AICSD, quote=TRUE)
  print(Results_0.3@AICSD, quote=TRUE)
  print(Results_0.4@AICSD, quote=TRUE)
  print(Results_0.5@AICSD, quote=TRUE)
  print(Results_0.6@AICSD, quote=TRUE)
  print(Results_0.7@AICSD, quote=TRUE)
  print(Results_0.8@AICSD, quote=TRUE)
  print(Results_0.9@AICSD, quote=TRUE)
  print(Results_0.1@AICSD, quote=TRUE)

Вот результаты, которые я получаю.

      [1] 284.9829
[1] 284.9829
[1] 284.9829
[1] 284.9829
[1] 284.9829
[1] 284.9829
[1] 284.9829
[1] 284.9829
[1] 284.9829
[1] 284.9829
[1] 284.9829

Я попробовал это с AICMSFE, AICSD, AICpvec, AICsvec, BICMSFE, BICSD, BICpvec, BIC и BICMSFE из объекта результатов модели, но никаких изменений не было показано. Я был бы очень признателен за вашу помощь в решении этой проблемы.