Với tất cả các đặc tính tốt của mô hình không gian trạng thái và KF, tôi tự hỏi - những bất lợi của mô hình hóa không gian trạng thái và sử dụng Bộ lọc Kalman (hoặc EKF, UKF hoặc bộ lọc hạt) để ước tính là gì? Trên giả sử các phương pháp thông thường như ARIMA, VAR hoặc phương pháp ad-hoc / heuristic.
Họ có khó để hiệu chỉnh? Chúng có phức tạp và khó để thấy sự thay đổi trong cấu trúc của một mô hình sẽ ảnh hưởng đến dự đoán như thế nào không?
Hoặc, đặt một cách khác - những lợi thế của ARIMA, VAR thông thường so với các mô hình không gian nhà nước là gì?
Tôi chỉ có thể nghĩ về lợi thế của mô hình không gian nhà nước:
- Nó dễ dàng xử lý các ngắt cấu trúc, dịch chuyển, các tham số thay đổi theo thời gian của một số mô hình tĩnh - chỉ cần làm cho các tham số đó trạng thái động của mô hình và mô hình không gian trạng thái sẽ tự động điều chỉnh theo bất kỳ dịch chuyển nào trong tham số;
- Nó xử lý dữ liệu bị thiếu rất tự nhiên, chỉ cần thực hiện bước chuyển đổi của KF và không thực hiện bước cập nhật;
- Nó cho phép thay đổi các tham số nhanh chóng của chính mô hình không gian trạng thái (hiệp phương sai và ma trận chuyển tiếp / quan sát) vì vậy nếu quan sát hiện tại của bạn đến từ một nguồn khác ít so với các nguồn khác - bạn có thể dễ dàng kết hợp nó vào ước tính mà không cần thực hiện bất cứ điều gì đặc biệt;
- Sử dụng các thuộc tính trên, nó cho phép dễ dàng xử lý dữ liệu có khoảng cách không đều: thay đổi mô hình mỗi lần theo khoảng thời gian giữa các lần quan sát hoặc sử dụng khoảng thời gian thông thường và xử lý các khoảng mà không quan sát là dữ liệu bị thiếu;
- Nó cho phép sử dụng dữ liệu từ các nguồn khác nhau đồng thời trong cùng một mô hình để ước tính một đại lượng cơ bản;
- Nó cho phép để xây dựng một mô hình từ nhiều interpretable thành phần năng động không quan sát được và ước tính họ;
- Bất kỳ mô hình ARIMA nào cũng có thể được biểu diễn dưới dạng không gian trạng thái, nhưng chỉ các mô hình không gian trạng thái đơn giản mới có thể được biểu diễn chính xác ở dạng ARIMA.
1
JFew lợi thế bổ sung, như đã lưu ý ở điểm đầu tiên của bạn, có thể dễ dàng kết hợp nhiều thay đổi cấp độ và ngoại lệ. Theo kinh nghiệm của tôi, phá vỡ cấu trúc có thể dễ dàng được xác định với không gian trạng thái hơn ARIMA. Cũng có thể dễ dàng kết hợp các hiệu ứng phi tuyến của các biến ngoại sinh. Không yêu cầu dữ liệu chuỗi thời gian là ổn định, đó là một + lớn.
—
dự báo
Vâng, tôi sẽ đưa các mô hình không gian nhà nước qua ARIMA bất cứ lúc nào. Tôi có thể nghĩ về hai nhược điểm (sắp xếp): a) mô hình không gian trạng thái tương ứng của mô hình ARIMA có rất nhiều số không cần thiết trong ma trận thiết kế. Người ta có thể lập luận rằng ARIMA nhỏ gọn hơn. b) có các mô hình phi tuyến tính / phi gaussian hiếm khi có các dạng phân tích đôi khi có thể được mô tả dưới dạng ARIMA, nhưng sẽ khó khăn trong không gian trạng thái truyền thống.
—
Cagdas Ozgenc 4/12/13
@Kochede Durbin và Koopman dường như cũng không thể nghĩ ra nhiều nhược điểm - họ đã đề cập đến hai ở cuối trang 52 trong sách giáo khoa tuyệt vời của họ . Và tôi muốn nói rằng những bất lợi này không nhất thiết phải đúng nữa.
Một số câu hỏi . Liệu nó có xác định rõ ràng thay đổi xu hướng thời gian và báo cáo các điểm trong thời gian mà xu hướng thay đổi? Có phân biệt giữa thay đổi tham số và thay đổi phương sai lỗi và báo cáo về điều này? Nó có phát hiện và báo cáo về các hiệu ứng chì và lag cụ thể xung quanh các yếu tố dự đoán do người dùng chỉ định không? Người ta có thể chỉ định số lượng giá trị tối thiểu trong một nhóm trước khi xu hướng thay đổi mức / thời gian cục bộ được khai báo không? Liệu nó có phân biệt giữa nhu cầu biến đổi công suất so với các điểm xác định trong thời gian mà phương sai lỗi thay đổi không? Các mô hình ARMAX nói lên tất cả những cân nhắc này.
—
IrishStat
Để hoàn thiện, một bất lợi trong một số trường hợp là bạn phải giải thích chúng. Điều đó phụ thuộc vào khán giả của bạn. Tôi rất vui nếu bất cứ ai muốn loại bỏ điều này như một cái gì đó, hoặc nên, không liên quan đến việc lựa chọn một kỹ thuật.
—
Nick Cox