Quá trình AR (1) với các lỗi đo không đồng nhất


13

1. Vấn đề

Tôi có một số phép đo của một biến yt , trong đó t=1,2,..,n , mà tôi có một bản phân phối fyt(yt) thu được thông qua MCMC, mà vì đơn giản tôi sẽ giả là một gaussian của trung bình μt và phương sai σt2 .

Tôi có một mô hình vật lý cho những quan sát đó, giả sử g(t) , nhưng phần dư rt=μtg(t) dường như có mối tương quan; đặc biệt, tôi có lý do vật lý để nghĩ rằng quy trình AR(1) sẽ đủ để tính đến mối tương quan và tôi dự định đạt được các hệ số phù hợp thông qua MCMC, do đó tôi cần khả năng này . Tôi nghĩ rằng giải pháp này khá đơn giản, nhưng tôi không chắc lắm (có vẻ như rất đơn giản, tôi nghĩ rằng tôi đang thiếu một cái gì đó).

2. Xuất phát khả năng

A-trung bình zero AR(1) quá trình có thể được viết như sau:

Xt=ϕXt1+εt,   (1)
, nơi tôi sẽ giả εtN(0,σw2) . Các thông số được ước tính là, do đó, θ={ϕ,σw2} (trong trường hợp của tôi, tôi cũng có thêm các thông số của mô hình g(t), nhưng đó không phải là vấn đề). Những gì tôi quan sát, tuy nhiên, là biến
Rt=Xt+ηt,   (2)
nơi tôi đang giả định ηtN(0,σt2) , và σt2 được biết (các lỗi đo lường) . Bởi vì Xt là một quá trình gaussian, Rt cũng vậy. Trong đó, tôi biết rằng
X1N(0,σw2/[1ϕ2]),
do đó,
R1N(0,σw2/[1ϕ2]+σt2).
Thử thách tiếp theo là đạt đượcRt|Rt1 chot1 . Để lấy được phân phối của biến ngẫu nhiên này, lưu ý rằng, sử dụng eq. (2) Tôi có thể viết Sử dụng eq.(2)
Xt1=Rt1ηt1.   (3)
(2) và sử dụng định nghĩa của eq. , tôi có thể viết, R t = X t + η t = ϕ X t - 1 + ε t + η t . Sử dụng phương trình ( 3 ) trong biểu thức cuối cùng này, sau đó, tôi có được, R t(1)
Rt=Xt+ηt=ϕXt1+εt+ηt.
(3) do đó, R t | R t - 1 = φ ( r t - 1 - η t - 1 ) + ε t + η t , và do đó, R t | R t - 1 ~ N (
Rt=ϕ(Rt1ηt1)+εt+ηt,
Rt|Rt1=ϕ(rt1ηt1)+εt+ηt,
Cuối cùng, tôi có thể viết các hàm likelihood như L ( θ ) = f R 1 ( R 1 = r 1 ) n Π t = 2 f R t | R t - 1 ( R t = r t
Rt|Rt1N(ϕrt1,σw2+σt2ϕ2σt12).
nơi f ( ) là các bản phân phối của các biến mà tôi chỉ xác định, nghĩa là, xác định
L(θ)=fR1(R1=r1)t=2nfRt|Rt1(Rt=rt|Rt1=rt1),
f()σ2=σw2/[1ϕ2]+σt2, và xác địnhσ2(t)=σ 2 w +σ 2 t -φ2σ 2 t - 1 , fRt| Rt-1(Rt=rt|Rt-1=rt-1)=1
fR1(R1=r1)=12πσ2exp(r122σ2),
σ2(t)=σw2+σt2ϕ2σt12
fRt|Rt1(Rt=rt|Rt1=rt1)=12πσ2(t)exp((rtϕrt1)22σ2(t))

3. Câu hỏi

  1. Đạo hàm của tôi có ổn không? Tôi không có bất kỳ tài nguyên nào để so sánh ngoài các mô phỏng (có vẻ đồng ý) và tôi không phải là một nhà thống kê!
  2. MA(1)ARMA(1,1)ARMA(p,q)

Tôi chính xác không có một giải pháp cho bạn. Nhưng, tôi nghĩ rằng đây là một loại vấn đề biến lỗi. Tôi đã thấy những thứ này trong Lý thuyết kinh tế vĩ mô của Thomas Sergent (cuốn sách năm 1980). Bạn có thể muốn nhìn vào đó.
Số liệu

Cảm ơn bạn đã nhập, @Metrics. Tôi sẽ xem cuốn sách!
Néstor

Câu trả lời:


1
  1. RtRt1ϕrt1ϕx^t1x^t1Xx^t1rt1σwϕXσηRX

  2. σηZ=1d=c=0Ht=ση,t2T=ϕR=1Q=σw2


XtRtRt|Rt-1= =rt-1Rt|Xt-1= =xt-1φx^t-1? 2. Bạn có thể giải thích về việc áp dụng bộ lọc Kalman cho vấn đề cụ thể này không?
Néstor

Xin chào Nestor, tôi đã chỉnh sửa câu trả lời để phản hồi ý kiến ​​của bạn. Mong rằng sẽ giúp.
Hội trường Jamie

Xin chào Jamie: về điểm thứ hai, không sao, cảm ơn :-)! Tuy nhiên, tôi vẫn không thể nhìn thấy điểm đầu tiên của bạn. Bạn có thể chỉ cho tôi một dẫn xuất chính thức? Cụ thể, tôi muốn biết phần nào trong lý luận của tôi là sai (và tại sao)!
Néstor

X1R1N(σx,12(σx,12+ση,12)r1,σx,22), Ở đâu σx,12 là phương sai bạn đã tính trong bước đầu tiên và σx,22 là hai lần trung bình hài hòa của σx,12ση,12. (Điều này giống như Bayesian cập nhật với hai pdf Gaussian.) Phương trình của bạn (3) là chính xác, nhưng bạn đang vứt bỏ thông tin bằng cách sử dụng thay vìp(Xt-1|R1:t-1).
Hội trường Jamie

-1

Thành thật mà nói, bạn nên viết mã này trong BUGs hoặc STAN và không lo lắng về nó từ đó. Trừ khi đây là một câu hỏi lý thuyết.


2
(-1) Để đáp ứng này; đây rõ ràng là một câu hỏi lý thuyết ;-). Xem xét cải thiện lý do tại sao bạn nghĩ tôi nên mã hóa nó trong BUGs hoặc STAN và những gì nó phải làm với câu hỏi ban đầu?
Néstor
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.