Суперклассы:
Создайте модель в пространстве состояний
ssm
создает стандартный, линейный, объект модели в пространстве состояний с независимыми Гауссовыми воздействиями состояния и инновациями наблюдения.
Вы можете:
Задайте независимую от времени или изменяющуюся во времени модель.
Задайте, являются ли состояния стационарными, статическими, или неустановившимися.
Задайте изменение состояния, загрузку воздействия состояния, чувствительность измерения или матрицы инноваций наблюдения:
Явным образом путем обеспечения матриц
Неявно путем обеспечения функции, которая сопоставляет параметры с матрицами, то есть, функцией отображения параметра к матрице
Если вы задали модель:
Если это содержит неизвестные параметры, то передайте модель и данные к estimate
, который оценивает параметры.
Если состояние и матрицы наблюдения не содержат неизвестные параметры (например, предполагаемый ssm
модель), затем можно передать его:
ssm
регрессия поддержек внешних предикторов. Чтобы включать компонент регрессии, который выкачивает наблюдения, смотрите estimate
фильтр
, forecast
, и smooth
.
создает модель в пространстве состояний (Mdl
= ssm(A
,B
,C
)Mdl
) использование матрицы Грина A
, матрица загрузки воздействия состояния B
, и матрица чувствительности измерения C
.
создает модель в пространстве состояний с помощью матрицы Грина Mdl
= ssm(A
,B
,C
,D
)A
, матрица загрузки воздействия состояния B
, матрица чувствительности измерения C
, и матрица инноваций наблюдения D
.
использование любой из входных параметров в предыдущих синтаксисах и дополнительных опциях, что вы задаете одним или несколькими Mdl
= ssm(___,Name,Value
)Name,Value
парные аргументы.
Name
может также быть имя свойства и Value
соответствующее значение. Name
должен появиться в одинарных кавычках (''
). Можно задать несколько аргументов пары "имя-значение" в любом порядке как Name1,Value1,...,NameN,ValueN
.
создает модель в пространстве состояний с помощью функции отображения параметра к матрице (Mdl
= ssm(ParamMap
)ParamMap
) то, что вы пишете. Функция сопоставляет вектор из параметров к матрицам A
B
, и C
. Опционально, ParamMap
может сопоставить параметры с D
, Mean0
, или Cov0
. Чтобы задать типы состояний, функция может возвратить StateType
. Вмещать компонент регрессии в уравнении наблюдения, ParamMap
может также возвратить выкачанные данные о наблюдении.
преобразует рассеянный объект модели в пространстве состояний (Mdl
= ssm(DSSMMdl
)DSSMMdl
) к объекту модели в пространстве состояний (Mdl
). ssm
наборы все начальные отклонения рассеянных состояний в SSMMdl.Cov0
к 1e07
.
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".
Задайте ParamMap
в более общей или комплексной установке, где, например:
Значения начального состояния являются параметрами.
В изменяющихся во времени моделях вы хотите использовать те же параметры больше чем для одного периода.
Вы хотите наложить ограничения параметра.
Значения по умолчанию для Mean0
и Cov0
:
Если вы явным образом задаете модель в пространстве состояний (то есть, вы предоставляете содействующим матрицам A
B
C
, и опционально D
то:
Для устойчивых состояний программное обеспечение генерирует начальное значение с помощью стационарного распределения. Если вы вводите все значения в содействующих матрицах (то есть, ваша модель не имеет никаких неизвестных параметров), то ssm
генерирует начальные значения. В противном случае программное обеспечение генерирует начальные значения во время оценки.
Для состояний, которые всегда являются постоянным 1, ssm
наборы Mean0
к 1 и Cov0
к 0
.
Для рассеянных состояний программное обеспечение устанавливает Mean0
к 0 и Cov0
к 1e7
по умолчанию.
Если вы неявно создаете модель в пространстве состояний (то есть, вы предоставляете вектор параметра функции содействующего отображения матриц ParamMap
), затем программное обеспечение генерирует любые начальные значения во время оценки.
Для статических состояний, которые не равняются 1 в течение выборки, программное обеспечение не может присвоить значение вырожденному распределению начального состояния. Поэтому установите статические состояния на 2
использование аргумента пары "имя-значение" StateType
. Впоследствии, программное обеспечение обрабатывает статические состояния как неустановившиеся и присваивает статическое состояние рассеянное начальное распределение.
Это - лучшая практика установить StateType
для каждого состояния. По умолчанию программное обеспечение генерирует StateType
, но это поведение не может быть точным. Например, программное обеспечение не может различать постоянное 1 состояние и статическое состояние.
Программное обеспечение не может вывести StateType
из данных, потому что данные теоретически прибывают из уравнения наблюдения. Реализация уравнения состояния неразличима.
ssm
модели не хранят наблюдаемые ответы или данные о предикторе. Снабдите данными везде, где необходимое использование соответствующего входа или аргументов пары "имя-значение".
Предположим, что вы хотите создать модель в пространстве состояний с помощью функции отображения параметра к матрице с этой подписью:
[A,B,C,D,Mean0,Cov0,StateType,DeflateY] = paramMap(params,Y,Z)
Mdl = ssm(@(params)paramMap(params,Y,Z))
Y
и данные о предикторе Z
не входные параметры в анонимной функции. Если Y
и Z
существуйте в рабочем пространстве MATLAB, прежде чем вы создадите Mdl
, затем программное обеспечение устанавливает ссылку на них. В противном случае, если вы передаете Mdl
к estimate
, программное обеспечение выдает ошибку.Ссылка на данные, установленные анонимной функцией, заменяет все другие соответствующие значения входного параметра estimate
. Это различие важно особенно при проведении прокручивающегося анализа окна. Для получения дополнительной информации смотрите Анализ Окна Прокрутки Моделей Timeseries.
Если состояния заметны, и уравнение состояния напоминает:
Модель ARIMA, затем можно задать arima
модель вместо этого.
Модель регрессии с ошибками ARIMA, затем можно задать regARIMA
модель вместо этого.
Условная модель отклонения, затем можно задать garch
, egarch
, или gjr
модель вместо этого.
Модель VAR, затем можно оценить такую модель с помощью varm
и estimate
.
Чтобы не наложить предварительные знания о значениях начального состояния рассеянных состояний и реализовать рассеянный Фильтр Калмана, создают dssm
объект модели вместо ssm
объект модели.
[1] Дербин Дж. и С. Дж. Купмен. Анализ Временных рядов Методами Пространства состояний. 2-й редактор Оксфорд: Издательство Оксфордского университета, 2012.