Cách sử dụng DLM với bộ lọc Kalman để dự báo

Ai đó có thể hướng dẫn tôi qua một ví dụ về cách sử dụng bộ lọc DLM Kalman trong R trên chuỗi thời gian. Nói rằng tôi có các giá trị này (giá trị hàng quý với tính thời vụ hàng năm); Làm thế nào bạn sẽ sử dụng DLM để dự đoán các giá trị tiếp theo? Và BTW, tôi có đủ dữ liệu lịch sử (mức tối thiểu) không?

89  2009Q1  
82  2009Q2  
89  2009Q3  
131 2009Q4  
97  2010Q1  
94  2010Q2  
101 2010Q3  
151 2010Q4  
100 2011Q1  
?   2011Q2

Tôi đang tìm kiếm một loại câu trả lời từng bước theo kiểu sách nấu ăn mã R. Độ chính xác của dự đoán không phải là mục tiêu chính của tôi, tôi chỉ muốn tìm hiểu chuỗi mã cung cấp cho tôi một số cho 2011Q2, ngay cả khi tôi không có đủ dữ liệu.

Bài báo tại JSS 39-02 so sánh 5 gói R lọc Kalman khác nhau và đưa ra mã mẫu.

DLM rất tuyệt, nhưng chúng không đơn giản như ARIMA hoặc các phương pháp khác. Trong các phương pháp khác, bạn cắm dữ liệu của mình và sau đó điều chỉnh một số tham số của thuật toán, có thể tham khảo các chẩn đoán khác nhau để hướng dẫn cài đặt của bạn.

Với DLM, bạn đang tạo một cỗ máy không gian trạng thái, bao gồm một số ma trận về cơ bản thực hiện một cái gì đó giống như Mô hình Markov ẩn. Một số gói ( sspirtôi nghĩ, trong số những gói khác) mong rằng bạn hiểu khái niệm và ma trận làm gì. Tôi thực sự khuyên bạn nên bắt đầu với dlmgói và như @RockScience khuyên bạn, hãy xem qua các họa tiết.

Với dlmbạn sẽ cơ bản mất vài bước sau:

1. Những loại thành phần mô tả loạt của tôi? Một xu hướng? Tính thời vụ? Biến ngoại sinh? Bạn sẽ sử dụng dlmcác công cụ như dlmModPolyđể thực hiện các thành phần này, sử dụng +toán tử để nối chúng lại với nhau thành một mô hình.

2. Tạo một chương trình con R có mô hình tuy nhiên cần nhiều tham số, tạo các thành phần với các tham số đó, sau đó thêm chúng lại với nhau và trả về mô hình kết quả.

3. Sử dụng dlmMLEđể thực hiện tìm kiếm / tối ưu hóa để tìm các tham số thích hợp (sử dụng MLE, về cơ bản là tối ưu hóa, với những cạm bẫy có thể xảy ra trong tối ưu hóa). dlmMLEliên tục gọi chương trình con R của bạn với các tham số ứng cử viên để tạo mô hình, sau đó kiểm tra chúng.

4. Tạo mô hình cuối cùng của bạn, sử dụng chương trình con R bạn đã tạo cộng với các tham số bạn tìm thấy trong bước 3.

5. Lọc dữ liệu của bạn với dlmFilter, sau đó có lẽ trơn tru với dlmSmooth.

6. Nếu bạn sử dụng dlmModReghoặc làm bất cứ điều gì khiến mô hình có các tham số biến đổi theo thời gian, bạn không thể sử dụng dlmForecastđể dự báo chuỗi của mình. Nếu bạn kết thúc với một mô hình biến thể theo thời gian, bạn sẽ muốn điền dữ liệu đầu vào của mình bằng NA và để dlmFilterđiền vào NA cho bạn (dự báo của một người nghèo), vì dlmForecastkhông hoạt động với các thông số thay đổi theo thời gian.

7. Nếu bạn muốn kiểm tra các thành phần riêng lẻ (giả sử xu hướng, tách biệt với thời vụ), bạn sẽ cần hiểu ma trận và những gì trong mỗi cột, cộng với hiểu một chút về cách dlmđặt chúng lại với nhau (vấn đề đặt hàng!).

Có một gói khác, tên của nó thoát khỏi tôi, cố gắng tạo một giao diện người dùng có thể sử dụng một vài trong số các gói này (bao gồm cả dlmmặt sau). Thật không may, tôi chưa bao giờ làm cho nó hoạt động tốt, nhưng đó có thể chỉ là tôi.

Tôi thực sự khuyên bạn nên lấy một cuốn sách về DLM. Tôi có một vài người trong số họ và chơi rất nhiều dlmđể đến nơi tôi đang ở, và tôi không phải là chuyên gia.

Tôi đề nghị bạn đọc họa tiết dlm http://cran.r-project.org/web/packages/dlm/vignettes/dlm.pdf đặc biệt là chương 3.3