Ước tính các tham số của mô hình tuyến tính động

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 $\epsilon^1_t$$\epsilon^2_t$

$\begin{matrix} Y_t & = & \theta_t + \epsilon^1_t\\ \theta_{t+1} & = & \theta_{t}+\epsilon^2_t \end{matrix}$

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?

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).

Có một cái nhìn vào gói dlm và họa 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 .

R$T$$(1000 \times (50-1) \times 10) \div 60 \div 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.