Класс: dssm
Обратная рекурсия рассеянных моделей в пространстве состояний
возвращает сглаживавшие состояния (X
= smooth(Mdl
,Y
)X
) путем выполнения обратной рекурсии полностью заданной рассеянной модели в пространстве состояний Mdl
. Таким образом, smooth
применяет рассеянный Фильтр Калмана с помощью Mdl
и наблюдаемые ответы Y
.
дополнительные опции использования заданы одним или несколькими X
= smooth(Mdl
,Y
,Name,Value
)Name,Value
парные аргументы. Например, задайте коэффициенты регрессии и данные о предикторе, чтобы выкачать наблюдения или задать, чтобы использовать одномерную обработку многомерной модели.
Если Mdl
не полностью задан, затем необходимо задать неизвестные параметры как известные скаляры с помощью '
Params
'
Name,Value
парный аргумент.
[
использование любой из входных параметров в предыдущих синтаксисах, чтобы дополнительно возвратить значение логарифмической правдоподобности (X
,logL
,Output
]
= smooth(___)logL
) и массив структуры output (Output
) использование любого из входных параметров в предыдущих синтаксисах. Поля Output
включение:
Сглаживавшие состояния и их предполагаемая ковариационная матрица
Сглаживавшие воздействия состояния и их предполагаемая ковариационная матрица
Сглаживавшие инновации наблюдения и их предполагаемая ковариационная матрица
Значение логарифмической правдоподобности
Настроенное усиление Кальмана
И вектор, указывающий, который раньше фильтровали данные программное обеспечение
Mdl
не хранит данные об ответе, данные о предикторе и коэффициенты регрессии. Снабдите данными везде, где необходимое использование соответствующего входа или аргументов пары "имя-значение".
Это - лучшая практика позволить smooth
определить значение SwitchTime
. Однако в редких случаях, вы можете испытать числовые проблемы во время оценки, фильтрации или сглаживания рассеянных моделей в пространстве состояний. Для таких случаев попытайтесь экспериментировать с различным SwitchTime
технические требования, или рассматривают различную структуру модели (например, упростите или повторно проверьте модель). Например, преобразуйте рассеянную модель в пространстве состояний в стандартную модель в пространстве состояний с помощью ssm
.
Чтобы ускорить оценку для низко-размерных, независимых от времени моделей, установите 'Univariate',true
. Используя эту спецификацию, программное обеспечение последовательно обновляет скорее затем обновление целиком во время процесса фильтрации.
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.
Для явным образом заданных моделей в пространстве состояний, filter
применяет все предикторы к каждому ряду ответа. Однако каждый ряд ответа имеет свой собственный набор коэффициентов регрессии.
Рассеянный Фильтр Калмана требует преддемонстрационных данных. Если недостающие наблюдения начинают временные ряды, то рассеянный Фильтр Калмана должен собрать достаточно ненедостающих наблюдений, чтобы инициализировать рассеянные состояния.
Для рассеянных моделей в пространстве состояний, filter
обычно переключатели от рассеянного Фильтра Калмана до стандартного Фильтра Калмана, когда количество совокупных наблюдений и количество рассеянных состояний равны. Однако, если рассеянная модель в пространстве состояний имеет проблемы идентифицируемости (e.g., модель является слишком комплексной, чтобы соответствовать к данным), затем filter
может потребовать, чтобы больше наблюдений инициализировало рассеянные состояния. В крайних случаях, filter
требует целой выборки.
[1] Дербин Дж. и С. Дж. Купмен. Анализ Временных рядов Методами Пространства состояний. 2-й редактор Оксфорд: Издательство Оксфордского университета, 2012.