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.