Ước tính các tham số của mô hình tuyến tính động


11

Tôi muốn triển khai (trong R) Mô hình tuyến tính động rất đơn giản sau đây mà tôi có 2 tham số thay đổi thời gian không xác định (phương sai của lỗi quan sát và phương sai của lỗi trạng thái ). ε 2 tϵt1ϵt2

Yt=θt+ϵt1θt+1=θt+ϵt2

Tôi muốn ước tính các tham số này tại mỗi thời điểm, mà không có bất kỳ sự thiên vị nào . Theo những gì tôi hiểu, tôi có thể sử dụng MCMC (trên cửa sổ cuộn để tránh sự thiên vị về phía trước) hoặc bộ lọc hạt (hoặc Sequential Monte Carlo - SMC).

Bạn sẽ sử dụng phương pháp nào , và
ưu và nhược điểm của hai phương pháp này là gì?

Câu hỏi thưởng: Trong các phương pháp này, làm thế nào để bạn chọn tốc độ thay đổi của các tham số? Tôi đoán chúng ta phải nhập thông tin ở đây, vì có một món hời giữa việc sử dụng nhiều dữ liệu để ước tính các tham số và sử dụng ít dữ liệu hơn để phản ứng nhanh hơn với sự thay đổi của tham số?


Câu hỏi của tôi hơi giống với stats.stackexchange.com/questions/2149/ . Tôi đã mở lại một câu hỏi về mục đích vì tình hình hơi khác một chút và tôi muốn có nhiều ý kiến ​​khác nhau. (Câu trả lời của gd047 chủ yếu tập trung vào bộ lọc Kalman không tập trung (UKF))
RockScience

Thật kỳ lạ khi tiền thưởng của tôi không giúp được ... Câu hỏi của tôi có được đưa ra một cách tồi tệ .... Không ai có câu trả lời? Hoặc một câu hỏi về câu hỏi của tôi?
RockScience

Theo cách nó được đặt ra, đây có vẻ như là một vấn đề thoái hóa - các lỗi có thể được quy cho tiếng ồn quan sát hoặc tiếng ồn quá trình. Có nhiều ràng buộc hơn? Là nhà nước một chiều?
IanS

@lanS. Tất cả các đối tượng thực sự ở đây chỉ có một chiều. Bạn có thể phát triển thêm một chút về thực tế là các lỗi có thể là quan sát hoặc tiếng ồn. Đó là chính xác những gì tôi muốn đạt được. Tôi muốn có được ước tính tỷ lệ tín hiệu / nhiễu bằng cách ước tính sd của 2 lần nhiễu khác nhau ....
RockScience

Có lẽ tôi nên bắt đầu bằng cách sửa lỗi sd của nhiễu quá trình để bắt đầu và xem sd của nhiễu quan sát phản ứng như thế nào?
RockScience

Câu trả lời:


4

Nếu bạn có thời gian thay đổi các tham số và muốn thực hiện mọi thứ một cách tuần tự (lọc), thì SMC có ý nghĩa nhất. MCMC tốt hơn khi bạn muốn điều kiện trên tất cả dữ liệu hoặc bạn có các tham số tĩnh không xác định mà bạn muốn ước tính. Bộ lọc hạt có vấn đề với các tham số tĩnh (suy biến).


1
Cảm ơn về câu trả lời của bạn. Tôi có thể học cách làm SMC ở đâu và bạn muốn giới thiệu gói R nào?
RockScience

4

Có một cái nhìn vào gói dlmhọa tiết của nó . Tôi nghĩ rằng bạn có thể tìm thấy những gì bạn đang tìm kiếm từ họa tiết. Các tác giả gói cũng đã viết một cuốn sách động tuyến tính mô hình với R .


@ Matti Pastell: Tôi có cuốn sách này. Nó thực sự rất tốt. Câu hỏi của tôi là về sự khác biệt giữa bộ lọc hạt (mà từ những gì tôi hiểu là phiên bản tuần tự của MCMC) và MCMC trên cửa sổ cuộn (sau này, chúng tôi sẽ chạy quy trình tối ưu hóa trên cửa sổ cuộn). Phương pháp nào nên được ưa thích, và tại sao?
RockScience

Ngoài ra, tôi không thực sự thấy dễ dàng để xây dựng mô hình thay đổi thời gian này với dlm. Thành thật mà nói, gói này rất dễ sử dụng cho các mô hình không thay đổi theo thời gian, nhưng nó bắt đầu khó khăn hơn cho mọi thứ khác. Chỉnh sửa: Bằng cách khó khăn hơn tôi có nghĩa là không có chức năng để giải quyết vấn đề. Bạn cần phải tự viết mã cho kịch bản.
RockScience

1
OK, tôi cũng có cuốn sách nhưng tôi chưa có thời gian để đọc nó. Xin lỗi vì nó không giúp ích cho vấn đề của bạn.
Matti Pastell

1
Dù sao cũng cảm ơn bạn, nó là một cuốn sách hay, nó xứng đáng được trích dẫn ở đây
RockScience

3

RT(1000×(501)×10)÷60÷24

Đã vài năm kể từ khi bạn đặt câu hỏi, vì vậy tôi sẽ tò mò nếu bản thân bạn có câu trả lời ngay bây giờ.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.