Класс: ssm
Предскажите состояния и наблюдения за моделями в пространстве состояний
[
возвращает предсказанные наблюдения (Y
,YMSE
]
= forecast(Mdl
,numPeriods
,Y0
)Y
) и их соответствующие отклонения (YMSE
) от прогнозирования модели в пространстве состояний Mdl
использование numPeriods
предскажите горизонт и наблюдения в выборке Y0
.
[
дополнительные опции использования заданы одним или несколькими Y
,YMSE
]
= forecast(Mdl
,numPeriods
,Y0
,Name,Value
)Name,Value
парные аргументы. Например, для моделей в пространстве состояний, которые включают компонент линейной регрессии в модель наблюдения, включайте данные о предикторе в выборке, данные о предикторе для горизонта прогноза и коэффициент регрессии.
Mdl
— Стандартная модель в пространстве состоянийssm
объект моделиСтандартная модель в пространстве состояний в виде ssm
объект модели возвращен ssm
или estimate
.
Если Mdl
не полностью задан (то есть, Mdl
содержит неизвестные параметры), затем задайте значения для неизвестных параметров с помощью '
Params
'
аргумент пары "имя-значение". В противном случае программное обеспечение выдает ошибку. estimate
возвращает полностью заданные модели в пространстве состояний.
Mdl
не хранит наблюдаемые ответы или данные о предикторе. Снабдите данными везде, где необходимое использование соответствующего входа или аргументов пары "имя-значение".
numPeriods
— Предскажите горизонтПредскажите горизонт в виде положительного целого числа. Таким образом, программное обеспечение возвращается 1.., numPeriods
прогнозы.
Типы данных: double
Y0
— В выборке, наблюдаемые ответыВ выборке, наблюдаемые ответы в виде вектора ячейки из числовых векторов или матрицы.
Если Mdl
независимо от времени, затем Y0
T-by-n числовая матрица, где каждая строка соответствует периоду, и каждый столбец соответствует конкретному наблюдению в модели. Поэтому T является объемом выборки, и m является количеством наблюдений на период. Последняя строка Y
содержит последние наблюдения.
Если Mdl
время, варьируясь относительно уравнения наблюдения, затем Y
T-by-1 вектор ячейки. Каждый элемент вектора ячейки соответствует периоду и содержит nt - размерный вектор из наблюдений в течение того периода. Соответствующие размерности содействующих матриц в Mdl.C{t}
и Mdl.D{t}
должно быть сопоставимо с матрицей в Y{t}
в течение всех периодов. Последняя ячейка Y
содержит последние наблюдения.
Если Mdl
предполагаемая модель в пространстве состояний (то есть, возвращенный estimate
), затем это - лучшая практика установить Y0
к тому же набору данных, что вы раньше соответствовали Mdl
.
NaN
элементы указывают на недостающие наблюдения. Для получения дополнительной информации о том, как Фильтр Калмана вмещает недостающие наблюдения, см. Алгоритмы.
Типы данных: double |
cell
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'Beta',beta,'Predictors',Z
задает, чтобы выкачать наблюдения компонентом регрессии, состоявшим из данных о предикторе Z
и матрица коэффициентов beta
.'A'
— Горизонт прогноза, изменение состояния, содействующие матрицыГоризонт прогноза, изменение состояния, содействующие матрицы в виде разделенной запятой пары, состоящей из 'A'
и вектор ячейки из числовых матриц.
A
должен содержать, по крайней мере, numPeriods
ячейки. Каждая ячейка должна содержать матрицу, задающую как переход состояний в горизонте прогноза. Если длина A
больше numPeriods
, затем программное обеспечение использует первый numPeriods
ячейки. Последняя ячейка указывает на последний период в горизонте прогноза.
Если Mdl
независимо от времени относительно состояний, затем каждая ячейка A
должен содержать m-by-m матрица, где m является количеством состояний в выборке на период. По умолчанию программное обеспечение использует Mdl.A
в горизонте прогноза.
Если Mdl
время, варьируясь относительно состояний, затем размерности матриц в ячейках A
может варьироваться, но размерности каждой матрицы должны быть сопоставимы с матрицами в B
и C
в соответствующие периоды. По умолчанию программное обеспечение использует Mdl.A{end}
в горизонте прогноза.
Примечание
Матрицы в A
не может содержать NaN
значения.
Типы данных: cell
'B'
— Горизонт прогноза, загрузка воздействия состояния, содействующие матрицыГоризонт прогноза, загрузка воздействия состояния, содействующие матрицы в виде разделенной запятой пары, состоящей из 'B'
и вектор ячейки из матриц.
B
должен содержать, по крайней мере, numPeriods
ячейки. Каждая ячейка должна содержать матрицу, задающую как переход состояний в горизонте прогноза. Если длина B
больше numPeriods
, затем программное обеспечение использует первый numPeriods
ячейки. Последняя ячейка указывает на последний период в горизонте прогноза.
Если Mdl
независимо от времени относительно состояний и воздействий состояния, затем каждая ячейка B
должен содержать m-by-k матрица, где m является количеством состояний в выборке на период, и k является количеством воздействий состояния, в выборке на период. По умолчанию программное обеспечение использует Mdl.B
в горизонте прогноза.
Если Mdl
время, варьируясь, затем размерности матриц в ячейках B
может варьироваться, но размерности каждой матрицы должны быть сопоставимы с матрицами в A
в соответствующие периоды. По умолчанию программное обеспечение использует Mdl.B{end}
в горизонте прогноза.
Примечание
Матрицы в B
не может содержать NaN
значения.
Типы данных: cell
'C'
— Горизонт прогноза, чувствительность измерения, содействующие матрицыГоризонт прогноза, чувствительность измерения, содействующие матрицы в виде разделенной запятой пары, состоящей из 'C'
и вектор ячейки из матриц.
C
должен содержать, по крайней мере, numPeriods
ячейки. Каждая ячейка должна содержать матрицу, задающую как переход состояний в горизонте прогноза. Если длина C
больше numPeriods
, затем программное обеспечение использует первый numPeriods
ячейки. Последняя ячейка указывает на последний период в горизонте прогноза.
Если Mdl
независимо от времени относительно состояний и наблюдений, затем каждая ячейка C
должен содержать n-by-m матрица, где n является количеством наблюдений в выборке на период, и m является количеством состояний в выборке на период. По умолчанию программное обеспечение использует Mdl.C
в горизонте прогноза.
Если Mdl
время, варьируясь относительно состояний или наблюдений, затем размерности матриц в ячейках C
может варьироваться, но размерности каждой матрицы должны быть сопоставимы с матрицами в A
и D
в соответствующие периоды. По умолчанию программное обеспечение использует Mdl.C{end}
в горизонте прогноза.
Примечание
Матрицы в C
не может содержать NaN
значения.
Типы данных: cell
'D'
— Горизонт прогноза, инновации наблюдения, содействующие матрицыГоризонт прогноза, инновации наблюдения, содействующие матрицы в виде разделенной запятой пары, состоящей из 'D'
и вектор ячейки из матриц.
D
должен содержать, по крайней мере, numPeriods
ячейки. Каждая ячейка должна содержать матрицу, задающую как переход состояний в горизонте прогноза. Если длина D
больше numPeriods
, затем программное обеспечение использует первый numPeriods
ячейки. Последняя ячейка указывает на последний период в горизонте прогноза.
Если Mdl
независимо от времени относительно наблюдений и инноваций наблюдения, затем каждая ячейка D
должен содержать n-by-h матрица, где n является количеством наблюдений в выборке на период, и h является количеством в выборке, инноваций наблюдения на период. По умолчанию программное обеспечение использует Mdl.D
в горизонте прогноза.
Если Mdl
время, варьируясь относительно наблюдений или инноваций наблюдения, затем размерности матриц в ячейках D
может варьироваться, но размерности каждой матрицы должны быть сопоставимы с матрицами в C
в соответствующие периоды. По умолчанию программное обеспечение использует Mdl.D{end}
в горизонте прогноза.
Примечание
Матрицы в D
не может содержать NaN
значения.
Типы данных: cell
'Beta'
— Коэффициенты регрессии[]
(значение по умолчанию) | числовая матрицаКоэффициенты регрессии, соответствующие переменным предикторам в виде разделенной запятой пары, состоящей из 'Beta'
и d-by-n числовая матрица. d является количеством переменных предикторов (см. Predictors0
и PredictorsF
) и n является количеством наблюдаемого ряда ответа (см. Y0
).
Если вы задаете Beta
, затем необходимо также задать Predictors0
и PredictorsF
.
Если Mdl
предполагаемая модель в пространстве состояний, затем задайте предполагаемые коэффициенты регрессии, сохраненные в Mdl.estParams
.
По умолчанию программное обеспечение исключает компонент регрессии из модели в пространстве состояний.
'Predictors0'
— В выборке, переменные предикторы в уравнении наблюдения модели в пространстве состояний[]
(значение по умолчанию) | матрицаВ выборке, переменные предикторы в уравнении наблюдения модели в пространстве состояний в виде разделенной запятой пары, состоящей из 'Predictors0'
и матрица. Столбцы Predictors0
соответствуйте отдельным переменным предикторам. Predictors0
должен иметь строки T, где строка t соответствует наблюдаемым предикторам в период t (Zt). Расширенное уравнение наблюдения
Другими словами, программное обеспечение выкачивает наблюдения с помощью компонента регрессии. β является независимым от времени вектором из коэффициентов регрессии, которые программное обеспечение оценивает всеми другими параметрами.
Если существуют наблюдения n на период, то регрессы программного обеспечения весь ряд предиктора на каждое наблюдение.
Если вы задаете Predictors0
, затем Mdl
должно быть независимо от времени. В противном случае программное обеспечение возвращает ошибку.
Если вы задаете Predictors0
, затем необходимо также задать Beta
и PredictorsF
.
Если Mdl
предполагаемая модель в пространстве состояний (то есть, возвращенный estimate
), затем это - лучшая практика установить Predictors0
к тому же набору данных предиктора, что вы раньше соответствовали Mdl
.
По умолчанию программное обеспечение исключает компонент регрессии из модели в пространстве состояний.
Типы данных: double
'PredictorsF'
— Горизонт прогноза, переменные предикторы в уравнении наблюдения модели в пространстве состояний[]
(значение по умолчанию) | числовая матрицаВ выборке, переменные предикторы в уравнении наблюдения модели в пространстве состояний в виде разделенной запятой пары, состоящей из 'Predictors0'
и T-by-d числовая матрица. T является количеством в периодах расчета, и d является количеством переменных предикторов. Строка t соответствует наблюдаемым предикторам в период t (Zt). Расширенное уравнение наблюдения
Другими словами, программное обеспечение выкачивает наблюдения с помощью компонента регрессии. β является независимым от времени вектором из коэффициентов регрессии, которые программное обеспечение оценивает всеми другими параметрами.
Если существуют наблюдения n на период, то регрессы программного обеспечения весь ряд предиктора на каждое наблюдение.
Если вы задаете Predictors0
, затем Mdl
должно быть независимо от времени. В противном случае программное обеспечение возвращает ошибку.
Если вы задаете Predictors0
, затем необходимо также задать Beta
и PredictorsF
.
Если Mdl
предполагаемая модель в пространстве состояний (то есть, возвращенный estimate
), затем это - лучшая практика установить Predictors0
к тому же набору данных предиктора, что вы раньше соответствовали Mdl
.
По умолчанию программное обеспечение исключает компонент регрессии из модели в пространстве состояний.
Типы данных: double
Y
— Предсказанные наблюденияПредсказанные наблюдения, возвращенные как матрица или вектор ячейки из числовых векторов.
Если Mdl
независимое от времени, модель в пространстве состояний относительно наблюдений, затем Y
numPeriods
- n матрица.
Если Mdl
изменяющееся во времени, модель в пространстве состояний относительно наблюдений, затем Y
numPeriods
- 1 вектор ячейки из числовых векторов. Ячейка t Y
содержит nt-by-1 числовой вектор из предсказанных наблюдений в течение периода t.
YMSE
— Ошибочные отклонения предсказанных наблюденийОшибочные отклонения предсказанных наблюдений, возвращенных как матрица или вектор ячейки из числовых векторов.
Если Mdl
независимое от времени, модель в пространстве состояний относительно наблюдений, затем YMSE
numPeriods
- n матрица.
Если Mdl
изменяющееся во времени, модель в пространстве состояний относительно наблюдений, затем YMSE
numPeriods
- 1 вектор ячейки из числовых векторов. Ячейка t YMSE
содержит nt-by-1 числовой вектор из ошибочных отклонений для соответствующих предсказанных наблюдений в течение периода t.
X
— Прогнозы состоянияПрогнозы состояния, возвращенные как матрица или вектор ячейки из числовых векторов.
Если Mdl
независимое от времени, модель в пространстве состояний относительно состояний, затем X
numPeriods
- m матрица.
Если Mdl
изменяющееся во времени, модель в пространстве состояний относительно состояний, затем X
numPeriods
- 1 вектор ячейки из числовых векторов. Ячейка t X
содержит mt-by-1 числовой вектор из предсказанных наблюдений в течение периода t.
XMSE
— Ошибочные отклонения прогнозов состоянияОшибочные отклонения прогнозов состояния, возвращенных как матрица или вектор ячейки из числовых векторов.
Если Mdl
независимое от времени, модель в пространстве состояний относительно состояний, затем XMSE
numPeriods
- m матрица.
Если Mdl
изменяющееся во времени, модель в пространстве состояний относительно состояний, затем XMSE
numPeriods
- 1 вектор ячейки из числовых векторов. Ячейка t XMSE
содержит mt-by-1 числовой вектор из ошибочных отклонений для соответствующих предсказанных наблюдений в течение периода t.
Предположим, что скрытый процесс является AR (1). Уравнение состояния
где является Гауссовым со средним значением 0 и стандартным отклонением 1.
Сгенерируйте случайную последовательность 100 наблюдений от , предположение, что ряд запускается в 1,5.
T = 100; ARMdl = arima('AR',0.5,'Constant',0,'Variance',1); x0 = 1.5; rng(1); % For reproducibility x = simulate(ARMdl,T,'Y0',x0);
Предположим далее, что скрытый процесс подвергается аддитивной погрешности измерения. Уравнение наблюдения
где является Гауссовым со средним значением 0 и стандартным отклонением 0.75. Вместе, скрытые уравнения процесса и наблюдения составляют модель в пространстве состояний.
Используйте случайный скрытый процесс состояния (x
) и уравнение наблюдения, чтобы сгенерировать наблюдения.
y = x + 0.75*randn(T,1);
Задайте четыре содействующих матрицы.
A = 0.5; B = 1; C = 1; D = 0.75;
Задайте модель в пространстве состояний с помощью содействующих матриц.
Mdl = ssm(A,B,C,D)
Mdl = State-space model type: ssm State vector length: 1 Observation vector length: 1 State disturbance vector length: 1 Observation innovation vector length: 1 Sample size supported by model: Unlimited State variables: x1, x2,... State disturbances: u1, u2,... Observation series: y1, y2,... Observation innovations: e1, e2,... State equation: x1(t) = (0.50)x1(t-1) + u1(t) Observation equation: y1(t) = x1(t) + (0.75)e1(t) Initial state distribution: Initial state means x1 0 Initial state covariance matrix x1 x1 1.33 State types x1 Stationary
Mdl
ssm
модель. Проверьте, что модель правильно задана с помощью отображения в Командном окне. Программное обеспечение выводит, что процесс состояния является стационарным. Впоследствии, программное обеспечение устанавливает среднее значение начального состояния и ковариацию к среднему значению и отклонению стационарного распределения модели AR (1).
Предскажите наблюдения 10 периодов в будущее и оцените их отклонения.
numPeriods = 10; [ForecastedY,YMSE] = forecast(Mdl,numPeriods,y);
Постройте прогнозы с ответами в выборке, и 95% интервалов прогноза вальдового типа.
ForecastIntervals(:,1) = ForecastedY - 1.96*sqrt(YMSE); ForecastIntervals(:,2) = ForecastedY + 1.96*sqrt(YMSE); figure plot(T-20:T,y(T-20:T),'-k',T+1:T+numPeriods,ForecastedY,'-.r',... T+1:T+numPeriods,ForecastIntervals,'-.b',... T:T+1,[y(end)*ones(3,1),[ForecastedY(1);ForecastIntervals(1,:)']],':k',... 'LineWidth',2) hold on title({'Observed Responses and Their Forecasts'}) xlabel('Period') ylabel('Responses') legend({'Observations','Forecasted observations','95% forecast intervals'},... 'Location','Best') hold off
Предположим, что линейное соотношение между изменением в уровне безработицы и темпом роста номинального валового национального продукта (nGNP) представляет интерес. Предположим далее, что первым различием уровня безработицы является серия ARMA(1,1). Символически, и в форме пространства состояний, модель
где:
изменение в уровне безработицы во время t.
фиктивное состояние для MA (1) эффект.
наблюдаемое изменение в уровне безработицы, выкачиваемом темпом роста nGNP ().
серия Gaussian воздействий состояния, имеющих среднее значение 0 и стандартное отклонение 1.
серия Gaussian инноваций наблюдения, имеющих среднее значение 0 и стандартное отклонение .
Загрузите набор данных Нельсона-Плоссера, который содержит уровень безработицы и nGNP ряд, среди прочего.
load Data_NelsonPlosser
Предварительно обработайте данные путем взятия натурального логарифма nGNP ряда и первого различия каждого ряда. Кроме того, удалите стартовый NaN
значения от каждого ряда.
isNaN = any(ismissing(DataTable),2); % Flag periods containing NaNs gnpn = DataTable.GNPN(~isNaN); u = DataTable.UR(~isNaN); T = size(gnpn,1); % Sample size Z = [ones(T-1,1) diff(log(gnpn))]; y = diff(u);
Хотя этот пример удаляет отсутствующие значения, программное обеспечение может вместить ряд, содержащий отсутствующие значения в среде Фильтра Калмана.
Чтобы определить, как хорошо модель предсказывает наблюдения, удалите последние 10 наблюдений для сравнения.
numPeriods = 10; % Forecast horizon isY = y(1:end-numPeriods); % In-sample observations oosY = y(end-numPeriods+1:end); % Out-of-sample observations ISZ = Z(1:end-numPeriods,:); % In-sample predictors OOSZ = Z(end-numPeriods+1:end,:); % Out-of-sample predictors
Задайте содействующие матрицы.
A = [NaN NaN; 0 0]; B = [1; 1]; C = [1 0]; D = NaN;
Задайте модель в пространстве состояний с помощью ssm
.
Mdl = ssm(A,B,C,D);
Оцените параметры модели и используйте случайный набор начальных значений параметров для оптимизации. Задайте компонент регрессии и его начальное значение для оптимизации с помощью 'Predictors'
и 'Beta0'
аргументы пары "имя-значение", соответственно. Ограничьте оценку ко всем положительным, вещественным числам. Для числовой устойчивости задайте Гессиан, когда программное обеспечение вычислит ковариационную матрицу параметра, с помощью 'CovMethod'
аргумент пары "имя-значение".
params0 = [0.3 0.2 0.1]; % Chosen arbitrarily [EstMdl,estParams] = estimate(Mdl,isY,params0,'Predictors',ISZ,... 'Beta0',[0.1 0.2],'lb',[-Inf,-Inf,0,-Inf,-Inf],'CovMethod','hessian');
Method: Maximum likelihood (fmincon) Sample size: 51 Logarithmic likelihood: -87.2409 Akaike info criterion: 184.482 Bayesian info criterion: 194.141 | Coeff Std Err t Stat Prob ---------------------------------------------------------- c(1) | -0.31780 0.19429 -1.63572 0.10190 c(2) | 1.21242 0.48882 2.48031 0.01313 c(3) | 0.45583 0.63931 0.71301 0.47584 y <- z(1) | 1.32407 0.26313 5.03201 0 y <- z(2) | -24.48733 1.90115 -12.88024 0 | | Final State Std Dev t Stat Prob x(1) | -0.38117 0.42842 -0.88971 0.37363 x(2) | 0.23402 0.66222 0.35339 0.72380
EstMdl
ssm
модель, и можно получить доступ к ее свойствам с помощью записи через точку.
Предскажите наблюдения по горизонту прогноза. EstMdl
не хранит набор данных, таким образом, необходимо передать его в соответствующих аргументах пары "имя-значение".
[fY,yMSE] = forecast(EstMdl,numPeriods,isY,'Predictors0',ISZ,... 'PredictorsF',OOSZ,'Beta',estParams(end-1:end));
fY
вектор 10 на 1, содержащий предсказанные наблюдения и yMSE
вектор 10 на 1, содержащий отклонения предсказанных наблюдений.
Получите 95% интервалов прогноза вальдового типа. Постройте предсказанные наблюдения с их истинными значениями и интервалами прогноза.
ForecastIntervals(:,1) = fY - 1.96*sqrt(yMSE); ForecastIntervals(:,2) = fY + 1.96*sqrt(yMSE); figure h = plot(dates(end-numPeriods-9:end-numPeriods),isY(end-9:end),'-k',... dates(end-numPeriods+1:end),oosY,'-k',... dates(end-numPeriods+1:end),fY,'--r',... dates(end-numPeriods+1:end),ForecastIntervals,':b',... dates(end-numPeriods:end-numPeriods+1),... [isY(end)*ones(3,1),[oosY(1);ForecastIntervals(1,:)']],':k',... 'LineWidth',2); xlabel('Period') ylabel('Change in the unemployment rate') legend(h([1,3,4]),{'Observations','Forecasted responses',... '95% forecast intervals'}) title('Observed and Forecasted Changes in the Unemployment Rate')
Эта модель, кажется, предсказывает изменения в уровне безработицы хорошо.
Предположим, что скрытый процесс является AR (1). Уравнение состояния
где является Гауссовым со средним значением 0 и стандартным отклонением 1.
Сгенерируйте случайную последовательность 100 наблюдений от , предположение, что ряд запускается в 1,5.
T = 100; ARMdl = arima('AR',0.5,'Constant',0,'Variance',1); x0 = 1.5; rng(1); % For reproducibility x = simulate(ARMdl,T,'Y0',x0);
Предположим далее, что скрытый процесс подвергается аддитивной погрешности измерения. Уравнение наблюдения
где является Гауссовым со средним значением 0 и стандартным отклонением 0.75. Вместе, скрытые уравнения процесса и наблюдения составляют модель в пространстве состояний.
Используйте случайный скрытый процесс состояния (x
) и уравнение наблюдения, чтобы сгенерировать наблюдения.
y = x + 0.75*randn(T,1);
Задайте четыре содействующих матрицы.
A = 0.5; B = 1; C = 1; D = 0.75;
Задайте модель в пространстве состояний с помощью содействующих матриц.
Mdl = ssm(A,B,C,D);
Mdl
ssm
модель.
Предскажите состояния 10 периодов в будущее и оцените их отклонения.
numPeriods = 10; [~,~,ForecastedX,XMSE] = forecast(Mdl,numPeriods,y);
Постройте прогнозы со сглаживавшими состояниями, и 95% интервалов прогноза вальдового типа.
smoothX = smooth(Mdl,y); ForecastIntervals(:,1) = ForecastedX - 1.96*sqrt(XMSE); ForecastIntervals(:,2) = ForecastedX + 1.96*sqrt(XMSE); figure plot(T-20:T,smoothX(T-20:T),'-k',T+1:T+numPeriods,ForecastedX,'-.r',... T+1:T+numPeriods,ForecastIntervals,'-.b',... T:T+1,[smoothX(end)*ones(3,1),[ForecastedX(1);ForecastIntervals(1,:)']],... ':k','LineWidth',2) hold on title({'Smoothed and Forecasted States'}) xlabel('Period') ylabel('States') legend({'Smoothed states','Forecasted states','95% forecast intervals'},... 'Location','Best') hold off
Mdl
не хранит данные об ответе, данные о предикторе и коэффициенты регрессии. Предоставьте их каждый раз, когда необходимое использование соответствующего входа или аргументов пары "имя-значение".
Фильтр Калмана хранит недостающие данные, не обновляя отфильтрованное оценочное соответствие состояния недостающим наблюдениям. Другими словами, предположите, что существует недостающее наблюдение в период t. Затем прогноз состояния для периода t на основе предыдущего t – 1 наблюдение и отфильтрованное состояние в течение периода t эквивалентен.
[1] Дербин Дж. и С. Дж. Купмен. Анализ Временных рядов Методами Пространства состояний. 2-й редактор Оксфорд: Издательство Оксфордского университета, 2012.
estimate
| filter
| smooth
| ssm
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.