Класс: ssm
Передайте рекурсию моделей в пространстве состояний
возвращает отфильтрованные состояния (X
= filter(Mdl
,Y
)X
) от выполнения прямой рекурсии полностью заданной модели в пространстве состояний Mdl
. Таким образом, filter
применяет стандартный Фильтр Калмана с помощью Mdl
и наблюдаемые ответы Y
.
дополнительные опции использования заданы одним или несколькими X
= filter(Mdl
,Y
,Name,Value
)Name,Value
парные аргументы. Например, задайте коэффициенты регрессии и данные о предикторе, чтобы выкачать наблюдения или задать, чтобы использовать фильтр квадратного корня.
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
]
= filter(___)logL
) и массив структуры output (Output
) использование любого из входных параметров в предыдущих синтаксисах. Output
содержит:
Фильтрованные и предсказанные состояния
Предполагаемые ковариационные матрицы отфильтрованных и предсказанных состояний
Значение логарифмической правдоподобности
Предсказанные наблюдения и его предполагаемая ковариационная матрица
Настроенное усиление Кальмана
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".
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.
[1] Дербин Дж. и С. Дж. Купмен. Анализ Временных рядов Методами Пространства состояний. 2-й редактор Оксфорд: Издательство Оксфордского университета, 2012.