disp

Класс: ssm

Отобразите сводную информацию для модели пространства состояний

Описание

пример

disp(Mdl) отображает сводную информацию для модели пространства состояний (ssm объект модели) Mdl. Отображение включает в себя состояние и уравнения наблюдения как систему скалярных уравнений, чтобы облегчить верификацию модели. Отображение также включает размерности коэффициентов, обозначение и начальные типы распределения состояний.

Программа отображает неизвестные значения параметров, используя c1 для первого неизвестного параметра, c2 для второго неизвестного параметра и так далее.

Для изменяющихся во времени моделей с более чем 20 различными наборами уравнений, программное обеспечение отображает первую и последнюю 10 групп по времени (последняя группа является последней).

пример

disp(Mdl,params) отображает ssm модели Mdl и применяет начальные значения к параметрам модели (params).

пример

disp(___,Name,Value) отображает ssm модель с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар. Для примера можно задать количество цифр для отображения после десятичной точки для коэффициентов модели или количество членов в строке для уравнений состояния и наблюдения. Можно использовать любой из входных параметров в предыдущих синтаксисах.

Входные параметры

расширить все

Стандартная модель пространства состояний, заданная как ssm объект модели, возвращенный ssm или estimate.

Начальные значения для неизвестных параметров, заданные как числовой вектор.

Элементы params соответствуют неизвестным параметрам в матрицах модели пространства состояний A, B, C, и D, и, опционально, начальное состояние означает Mean0 и ковариационная матрица Cov0.

  • Если вы создали Mdl явным образом (то есть путем задания матриц без функции отображения параметра в матрицу), затем программное обеспечение отображает элементы params на NaNs в матрицах модели пространства состояний и начальных значениях состояний. Программа ищет NaNs столбцово, следуя порядку A, B, C, D, Mean0, Cov0.

  • Если вы создали Mdl неявно (то есть путем задания матриц с функцией отображения параметра в матрицу), тогда необходимо задать начальные значения параметров для матриц модели пространства состояний, начальных значений состояний и типов состояний в функции отображения параметра в матрицы.

Чтобы задать тип начального распределения состояний, смотрите ssm.

Типы данных: double

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

Максимальное количество уравнений для отображения, заданное как разделенная разделенными запятой парами, состоящая из 'MaxStateEq' и положительное целое число. Если максимальное количество состояний среди всех периодов не больше MaxStateEq, затем программное обеспечение отображает уравнение модели уравнением.

Пример: 'MaxStateEq',10

Типы данных: double

Количество цифр для отображения после десятичной точки для известных или оцененных коэффициентов модели, заданное как разделенная разделенными запятой парами, состоящая из 'NumDigits' и неотрицательное целое число.

Пример: 'NumDigits',0

Типы данных: double

Период для отображения уравнений состояния и наблюдения для изменяющихся во времени моделей пространства состояний, заданный как разделенная разделенными запятой парами, состоящая из 'Period' и положительное целое число.

По умолчанию программа отображает состояние и уравнения наблюдений для всех периодов.

Если Period превышает максимальное количество наблюдений, которое поддерживает модель, затем программное обеспечение отображает состояние и уравнения наблюдений для всех периодов. Если модель имеет более 20 различных наборов уравнений, то программное обеспечение отображает первую и последнюю 10 групп по времени (последняя группа является последней).

Пример: 'Period',120

Типы данных: double

Количество членов уравнения для отображения в строке, заданное как разделенная разделенными запятой парами, состоящая из 'PredictorsPerRow' и положительное целое число.

Пример: 'PredictorsPerRow',3

Типы данных: double

Примеры

расширить все

Важным шагом в анализе модели пространства состояний является обеспечение того, чтобы программное обеспечение интерпретировало матрицы уравнений состояния и наблюдения так, как вы предполагаете. Использование disp чтобы помочь вам проверить модель пространства состояний.

Задайте модель пространства состояний, где уравнение состояния является моделью AR (2), и уравнение наблюдения является различием между текущим и предыдущим состояниями плюс ошибка наблюдения. Символически модель пространства состояний

[x1,tx2,tx3,t]=[0.60.20.5100001][x1,t-1x2,t-1x3,t-1]+[0.300]u1,t

yt=[1-10][x1,tx2,tx3,t]+0.1εt.

Существует три состояния: x1,t - процесс AR (2 ),x2,t представляет x1,t-1, и x3,t является константой модели AR (2).

Задайте матрицу переходов.

A = [0.6 0.2 0.5; 1 0 0; 0 0 1];

Задайте матрицу возмущения-нагрузки.

B = [0.3; 0; 0];

Задайте матрицу чувствительности к измерениям.

C = [1 -1 0];

Задайте матрицу наблюдений-инноваций.

D = 0.1;

Задайте модель пространства состояний используя ssm. Установите среднее начальное состояние (Mean0) и ковариационная матрица (Cov0). Идентифицируйте тип начальных распределений состояний (StateType), отмечая следующее:

  • x1,t является стационарным процессом AR (2).

  • x2,t является также стационарным процессом AR (2).

  • x3,t является константой 1 для всех периодов.

Mean0 = [0; 0; 1];                                        % The mean of the AR(2)
varAR2 = 0.3*(1 - 0.2)/((1 + 0.2)*((1 - 0.2)^2 - 0.6^2)); % The variance of the AR(2)
Cov1AR2 = 0.6*0.3/((1 + 0.2)*((1 - 0.2)^2) - 0.6^2);      % The covariance of the AR(2)
Cov0 = zeros(3);
Cov0(1:2,1:2) = varAR2*eye(2) + Cov1AR2*flip(eye(2));
StateType = [0; 0; 1];
Mdl = ssm(A,B,C,D,'Mean0',Mean0,'Cov0',Cov0,'StateType',StateType);

Mdl является ssm модель.

Проверьте модель пространства состояний с помощью disp.

disp(Mdl)
State-space model type: ssm

State vector length: 3
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 equations:
x1(t) = (0.60)x1(t-1) + (0.20)x2(t-1) + (0.50)x3(t-1) + (0.30)u1(t)
x2(t) = x1(t-1)
x3(t) = x3(t-1)

Observation equation:
y1(t) = x1(t) - x2(t) + (0.10)e1(t)

Initial state distribution:

Initial state means
 x1  x2  x3 
  0   0   1 

Initial state covariance matrix
     x1    x2    x3 
 x1  0.71  0.44   0 
 x2  0.44  0.71   0 
 x3   0     0     0 

State types
     x1          x2         x3    
 Stationary  Stationary  Constant 

Задайте модель пространства состояний, содержащую два независимых, авторегрессивных состояния, и где наблюдения являются детерминированной суммой двух состояний. Символически система уравнений

[xt,1xt,2]=[ϕ100ϕ2][xt-1,1xt-1,2]+[σ100σ2][ut,1ut,2]

yt=[11][xt,1xt,2].

Задайте матрицу переходов.

A = [NaN 0; 0 NaN];

Задайте матрицу возмущения-загрузки состояния.

B = [NaN 0; 0 NaN];

Задайте матрицу чувствительности к измерениям.

C = [1 1];

Задайте пустую матрицу для матрицы нарушения порядка наблюдений.

D = [];

Использование ssm для определения модели пространства состояний. Задайте среднее начальное состояние и ковариационную матрицу как неизвестные параметры. Укажите, что состояния являются стационарными.

Mean0 = nan(2,1);
Cov0 = nan(2,2);
StateType = zeros(2,1);
Mdl = ssm(A,B,C,D,'Mean0',Mean0,'Cov0',Cov0,'StateType',StateType);

Mdl является ssm модель, содержащая неизвестные параметры.

Использование disp для отображения модели пространства состояний. Задайте начальные значения для неизвестных параметров и начальных средств состояния и ковариационной матрицы следующим образом:

  • ϕ1,0=ϕ2,0=0.1.

  • σ1,0=σ2,0=0.2.

  • x1,0=1 и x2,0=0.5.

  • Σx1,0,x2,0=I2.

params = [0.1; 0.1; 0.2; 0.2; 1; 0.5; 1; 0; 0; 1];
disp(Mdl,params)
State-space model type: ssm

State vector length: 2
Observation vector length: 1
State disturbance vector length: 2
Observation innovation vector length: 0
Sample size supported by model: Unlimited
Unknown parameters for estimation: 10

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations:
x1(t) = (c1)x1(t-1) + (c3)u1(t)
x2(t) = (c2)x2(t-1) + (c4)u2(t)

Observation equation:
y1(t) = x1(t) + x2(t)

Initial state distribution:

Initial state means
 x1   x2  
  1  0.50 

Initial state covariance matrix
     x1  x2 
 x1   1   0 
 x2   0   1 

State types
     x1          x2     
 Stationary  Stationary 

Из периодов с 1 по 50 модель состояния является моделью AR (2) и MA (1), и модель наблюдения является суммой двух состояний. Из периодов 51-100 модель состояния включает только первую модель AR (2). Символически модель пространства состояний для периодов с 1 по 50,

[x1,tx2,tx3,tx4,t]=[ϕ1ϕ2001000000θ0000][x1,t-1x2,t-1x3,t-1x4,t-1]+[σ10000101][u1,tu3,t]yt=a1(x1,t+x3,t)+σ2εt,

на период 51,

[x1,tx2,t]=[ϕ1ϕ2001000][x1,t-1x2,t-1x3,t-1x4,t-1]+[σ10]u1,tyt=a2x1t+σ3εt

и для периодов 52 до 100,

[x1,tx2,t]=[ϕ1ϕ210][x1,t-1x2,t-1]+[σ1000]u1,tyt=a2x1,t+σ3εt.

Задайте матрицу коэффициентов перехода состояний.

A1 = {[NaN NaN 0 0; 1 0 0 0; 0 0 0 NaN; 0 0 0 0]};
A2 = {[NaN NaN 0 0; 1 0 0 0]};
A3 = {[NaN NaN; 1 0]};
A = [repmat(A1,50,1);A2;repmat(A3,49,1)];

Задайте матрицу коэффициентов возмущения-нагрузки.

B1 = {[NaN 0;0 0; 0 1; 0 1]};
B2 = {[NaN; 0]};
B3 = {[NaN; 0]};
B = [repmat(B1,50,1);B2;repmat(B3,49,1)];

Задайте матрицу коэффициентов чувствительности к измерениям.

C1 = {[NaN 0 NaN 0]};
C3 = {[NaN 0]};
C = [repmat(C1,50,1);repmat(C3,50,1)];

Задайте матрицу коэффициентов возмущения и наблюдения.

D1 = {NaN};
D3 = {NaN};
D = [repmat(D1,50,1);repmat(D3,50,1)];

Задайте модель пространства состояний. Установите среднее начальное состояние и ковариационную матрицу в неизвестные параметры. Укажите, что начальные распределения состояний являются стационарными.

Mean0 = nan(4,1);
Cov0 = nan(4,4);
StateType = [0; 0; 0; 0];

Mdl = ssm(A,B,C,D,'Mean0',Mean0,'Cov0',Cov0,'StateType',StateType);

Mdl является ssm модель.

Модель является большой и содержит разный набор параметров для каждого периода. Программа отображает уравнения состояния и наблюдения для первых 10 и последних 10 периодов. Можно выбрать, какие периоды отображать уравнения для использования в 'Period' аргумент пары "имя-значение".

Отобразите модель пространства состояний и используйте 'Period' для отображения состояния и уравнений наблюдений для 50-го, 51-го и 52-го периодов.

disp(Mdl,'Period',50)
State-space model type: ssm

State vector length: Time-varying
Observation vector length: 1
State disturbance vector length: Time-varying
Observation innovation vector length: 1
Sample size supported by model: 100
Unknown parameters for estimation: 620

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations (in period 50):
x1(t) = (c148)x1(t-1) + (c149)x2(t-1) + (c300)u1(t)
x2(t) = x1(t-1)
x3(t) = (c150)x4(t-1) + u2(t)
x4(t) = u2(t)
Time-varying transition matrix A contains unknown parameters:
c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 
c21 c22 c23 c24 c25 c26 c27 c28 c29 c30 c31 c32 c33 c34 c35 c36 c37 c38 c39 c40 
c41 c42 c43 c44 c45 c46 c47 c48 c49 c50 c51 c52 c53 c54 c55 c56 c57 c58 c59 c60 
c61 c62 c63 c64 c65 c66 c67 c68 c69 c70 c71 c72 c73 c74 c75 c76 c77 c78 c79 c80 
c81 c82 c83 c84 c85 c86 c87 c88 c89 c90 c91 c92 c93 c94 c95 c96 c97 c98 c99 c100 
c101 c102 c103 c104 c105 c106 c107 c108 c109 c110 c111 c112 c113 c114 c115 c116 c117 c118 c119 c120 
c121 c122 c123 c124 c125 c126 c127 c128 c129 c130 c131 c132 c133 c134 c135 c136 c137 c138 c139 c140 
c141 c142 c143 c144 c145 c146 c147 c148 c149 c150 c151 c152 c153 c154 c155 c156 c157 c158 c159 c160 
c161 c162 c163 c164 c165 c166 c167 c168 c169 c170 c171 c172 c173 c174 c175 c176 c177 c178 c179 c180 
c181 c182 c183 c184 c185 c186 c187 c188 c189 c190 c191 c192 c193 c194 c195 c196 c197 c198 c199 c200 
c201 c202 c203 c204 c205 c206 c207 c208 c209 c210 c211 c212 c213 c214 c215 c216 c217 c218 c219 c220 
c221 c222 c223 c224 c225 c226 c227 c228 c229 c230 c231 c232 c233 c234 c235 c236 c237 c238 c239 c240 
c241 c242 c243 c244 c245 c246 c247 c248 c249 c250 
Time-varying state disturbance loading matrix B contains unknown parameters:
c251 c252 c253 c254 c255 c256 c257 c258 c259 c260 c261 c262 c263 c264 c265 c266 c267 c268 c269 c270 
c271 c272 c273 c274 c275 c276 c277 c278 c279 c280 c281 c282 c283 c284 c285 c286 c287 c288 c289 c290 
c291 c292 c293 c294 c295 c296 c297 c298 c299 c300 c301 c302 c303 c304 c305 c306 c307 c308 c309 c310 
c311 c312 c313 c314 c315 c316 c317 c318 c319 c320 c321 c322 c323 c324 c325 c326 c327 c328 c329 c330 
c331 c332 c333 c334 c335 c336 c337 c338 c339 c340 c341 c342 c343 c344 c345 c346 c347 c348 c349 c350 

Observation equation (in period 50):
y1(t) = (c449)x1(t) + (c450)x3(t) + (c550)e1(t)
Time-varying measurement sensitivity matrix C contains unknown parameters:
c351 c352 c353 c354 c355 c356 c357 c358 c359 c360 c361 c362 c363 c364 c365 c366 c367 c368 c369 c370 
c371 c372 c373 c374 c375 c376 c377 c378 c379 c380 c381 c382 c383 c384 c385 c386 c387 c388 c389 c390 
c391 c392 c393 c394 c395 c396 c397 c398 c399 c400 c401 c402 c403 c404 c405 c406 c407 c408 c409 c410 
c411 c412 c413 c414 c415 c416 c417 c418 c419 c420 c421 c422 c423 c424 c425 c426 c427 c428 c429 c430 
c431 c432 c433 c434 c435 c436 c437 c438 c439 c440 c441 c442 c443 c444 c445 c446 c447 c448 c449 c450 
c451 c452 c453 c454 c455 c456 c457 c458 c459 c460 c461 c462 c463 c464 c465 c466 c467 c468 c469 c470 
c471 c472 c473 c474 c475 c476 c477 c478 c479 c480 c481 c482 c483 c484 c485 c486 c487 c488 c489 c490 
c491 c492 c493 c494 c495 c496 c497 c498 c499 c500 
Time-varying observation innovation loading matrix D contains unknown parameters:
c501 c502 c503 c504 c505 c506 c507 c508 c509 c510 c511 c512 c513 c514 c515 c516 c517 c518 c519 c520 
c521 c522 c523 c524 c525 c526 c527 c528 c529 c530 c531 c532 c533 c534 c535 c536 c537 c538 c539 c540 
c541 c542 c543 c544 c545 c546 c547 c548 c549 c550 c551 c552 c553 c554 c555 c556 c557 c558 c559 c560 
c561 c562 c563 c564 c565 c566 c567 c568 c569 c570 c571 c572 c573 c574 c575 c576 c577 c578 c579 c580 
c581 c582 c583 c584 c585 c586 c587 c588 c589 c590 c591 c592 c593 c594 c595 c596 c597 c598 c599 c600 

Initial state distribution:

Initial state means
  x1   x2   x3   x4 
 NaN  NaN  NaN  NaN 

Initial state covariance matrix
     x1   x2   x3   x4  
 x1  NaN  NaN  NaN  NaN 
 x2  NaN  NaN  NaN  NaN 
 x3  NaN  NaN  NaN  NaN 
 x4  NaN  NaN  NaN  NaN 

State types
     x1          x2          x3          x4     
 Stationary  Stationary  Stationary  Stationary 
disp(Mdl,'Period',51)
State-space model type: ssm

State vector length: Time-varying
Observation vector length: 1
State disturbance vector length: Time-varying
Observation innovation vector length: 1
Sample size supported by model: 100
Unknown parameters for estimation: 620

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations (in period 51):
x1(t) = (c151)x1(t-1) + (c152)x2(t-1) + (c301)u1(t)
x2(t) = x1(t-1)
Time-varying transition matrix A contains unknown parameters:
c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 
c21 c22 c23 c24 c25 c26 c27 c28 c29 c30 c31 c32 c33 c34 c35 c36 c37 c38 c39 c40 
c41 c42 c43 c44 c45 c46 c47 c48 c49 c50 c51 c52 c53 c54 c55 c56 c57 c58 c59 c60 
c61 c62 c63 c64 c65 c66 c67 c68 c69 c70 c71 c72 c73 c74 c75 c76 c77 c78 c79 c80 
c81 c82 c83 c84 c85 c86 c87 c88 c89 c90 c91 c92 c93 c94 c95 c96 c97 c98 c99 c100 
c101 c102 c103 c104 c105 c106 c107 c108 c109 c110 c111 c112 c113 c114 c115 c116 c117 c118 c119 c120 
c121 c122 c123 c124 c125 c126 c127 c128 c129 c130 c131 c132 c133 c134 c135 c136 c137 c138 c139 c140 
c141 c142 c143 c144 c145 c146 c147 c148 c149 c150 c151 c152 c153 c154 c155 c156 c157 c158 c159 c160 
c161 c162 c163 c164 c165 c166 c167 c168 c169 c170 c171 c172 c173 c174 c175 c176 c177 c178 c179 c180 
c181 c182 c183 c184 c185 c186 c187 c188 c189 c190 c191 c192 c193 c194 c195 c196 c197 c198 c199 c200 
c201 c202 c203 c204 c205 c206 c207 c208 c209 c210 c211 c212 c213 c214 c215 c216 c217 c218 c219 c220 
c221 c222 c223 c224 c225 c226 c227 c228 c229 c230 c231 c232 c233 c234 c235 c236 c237 c238 c239 c240 
c241 c242 c243 c244 c245 c246 c247 c248 c249 c250 
Time-varying state disturbance loading matrix B contains unknown parameters:
c251 c252 c253 c254 c255 c256 c257 c258 c259 c260 c261 c262 c263 c264 c265 c266 c267 c268 c269 c270 
c271 c272 c273 c274 c275 c276 c277 c278 c279 c280 c281 c282 c283 c284 c285 c286 c287 c288 c289 c290 
c291 c292 c293 c294 c295 c296 c297 c298 c299 c300 c301 c302 c303 c304 c305 c306 c307 c308 c309 c310 
c311 c312 c313 c314 c315 c316 c317 c318 c319 c320 c321 c322 c323 c324 c325 c326 c327 c328 c329 c330 
c331 c332 c333 c334 c335 c336 c337 c338 c339 c340 c341 c342 c343 c344 c345 c346 c347 c348 c349 c350 

Observation equation (in period 51):
y1(t) = (c451)x1(t) + (c551)e1(t)
Time-varying measurement sensitivity matrix C contains unknown parameters:
c351 c352 c353 c354 c355 c356 c357 c358 c359 c360 c361 c362 c363 c364 c365 c366 c367 c368 c369 c370 
c371 c372 c373 c374 c375 c376 c377 c378 c379 c380 c381 c382 c383 c384 c385 c386 c387 c388 c389 c390 
c391 c392 c393 c394 c395 c396 c397 c398 c399 c400 c401 c402 c403 c404 c405 c406 c407 c408 c409 c410 
c411 c412 c413 c414 c415 c416 c417 c418 c419 c420 c421 c422 c423 c424 c425 c426 c427 c428 c429 c430 
c431 c432 c433 c434 c435 c436 c437 c438 c439 c440 c441 c442 c443 c444 c445 c446 c447 c448 c449 c450 
c451 c452 c453 c454 c455 c456 c457 c458 c459 c460 c461 c462 c463 c464 c465 c466 c467 c468 c469 c470 
c471 c472 c473 c474 c475 c476 c477 c478 c479 c480 c481 c482 c483 c484 c485 c486 c487 c488 c489 c490 
c491 c492 c493 c494 c495 c496 c497 c498 c499 c500 
Time-varying observation innovation loading matrix D contains unknown parameters:
c501 c502 c503 c504 c505 c506 c507 c508 c509 c510 c511 c512 c513 c514 c515 c516 c517 c518 c519 c520 
c521 c522 c523 c524 c525 c526 c527 c528 c529 c530 c531 c532 c533 c534 c535 c536 c537 c538 c539 c540 
c541 c542 c543 c544 c545 c546 c547 c548 c549 c550 c551 c552 c553 c554 c555 c556 c557 c558 c559 c560 
c561 c562 c563 c564 c565 c566 c567 c568 c569 c570 c571 c572 c573 c574 c575 c576 c577 c578 c579 c580 
c581 c582 c583 c584 c585 c586 c587 c588 c589 c590 c591 c592 c593 c594 c595 c596 c597 c598 c599 c600 

Initial state distribution:

Initial state means
  x1   x2   x3   x4 
 NaN  NaN  NaN  NaN 

Initial state covariance matrix
     x1   x2   x3   x4  
 x1  NaN  NaN  NaN  NaN 
 x2  NaN  NaN  NaN  NaN 
 x3  NaN  NaN  NaN  NaN 
 x4  NaN  NaN  NaN  NaN 

State types
     x1          x2          x3          x4     
 Stationary  Stationary  Stationary  Stationary 
disp(Mdl,'Period',52)
State-space model type: ssm

State vector length: Time-varying
Observation vector length: 1
State disturbance vector length: Time-varying
Observation innovation vector length: 1
Sample size supported by model: 100
Unknown parameters for estimation: 620

State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
Unknown parameters: c1, c2,...

State equations (in period 52):
x1(t) = (c153)x1(t-1) + (c154)x2(t-1) + (c302)u1(t)
x2(t) = x1(t-1)
Time-varying transition matrix A contains unknown parameters:
c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 
c21 c22 c23 c24 c25 c26 c27 c28 c29 c30 c31 c32 c33 c34 c35 c36 c37 c38 c39 c40 
c41 c42 c43 c44 c45 c46 c47 c48 c49 c50 c51 c52 c53 c54 c55 c56 c57 c58 c59 c60 
c61 c62 c63 c64 c65 c66 c67 c68 c69 c70 c71 c72 c73 c74 c75 c76 c77 c78 c79 c80 
c81 c82 c83 c84 c85 c86 c87 c88 c89 c90 c91 c92 c93 c94 c95 c96 c97 c98 c99 c100 
c101 c102 c103 c104 c105 c106 c107 c108 c109 c110 c111 c112 c113 c114 c115 c116 c117 c118 c119 c120 
c121 c122 c123 c124 c125 c126 c127 c128 c129 c130 c131 c132 c133 c134 c135 c136 c137 c138 c139 c140 
c141 c142 c143 c144 c145 c146 c147 c148 c149 c150 c151 c152 c153 c154 c155 c156 c157 c158 c159 c160 
c161 c162 c163 c164 c165 c166 c167 c168 c169 c170 c171 c172 c173 c174 c175 c176 c177 c178 c179 c180 
c181 c182 c183 c184 c185 c186 c187 c188 c189 c190 c191 c192 c193 c194 c195 c196 c197 c198 c199 c200 
c201 c202 c203 c204 c205 c206 c207 c208 c209 c210 c211 c212 c213 c214 c215 c216 c217 c218 c219 c220 
c221 c222 c223 c224 c225 c226 c227 c228 c229 c230 c231 c232 c233 c234 c235 c236 c237 c238 c239 c240 
c241 c242 c243 c244 c245 c246 c247 c248 c249 c250 
Time-varying state disturbance loading matrix B contains unknown parameters:
c251 c252 c253 c254 c255 c256 c257 c258 c259 c260 c261 c262 c263 c264 c265 c266 c267 c268 c269 c270 
c271 c272 c273 c274 c275 c276 c277 c278 c279 c280 c281 c282 c283 c284 c285 c286 c287 c288 c289 c290 
c291 c292 c293 c294 c295 c296 c297 c298 c299 c300 c301 c302 c303 c304 c305 c306 c307 c308 c309 c310 
c311 c312 c313 c314 c315 c316 c317 c318 c319 c320 c321 c322 c323 c324 c325 c326 c327 c328 c329 c330 
c331 c332 c333 c334 c335 c336 c337 c338 c339 c340 c341 c342 c343 c344 c345 c346 c347 c348 c349 c350 

Observation equation (in period 52):
y1(t) = (c452)x1(t) + (c552)e1(t)
Time-varying measurement sensitivity matrix C contains unknown parameters:
c351 c352 c353 c354 c355 c356 c357 c358 c359 c360 c361 c362 c363 c364 c365 c366 c367 c368 c369 c370 
c371 c372 c373 c374 c375 c376 c377 c378 c379 c380 c381 c382 c383 c384 c385 c386 c387 c388 c389 c390 
c391 c392 c393 c394 c395 c396 c397 c398 c399 c400 c401 c402 c403 c404 c405 c406 c407 c408 c409 c410 
c411 c412 c413 c414 c415 c416 c417 c418 c419 c420 c421 c422 c423 c424 c425 c426 c427 c428 c429 c430 
c431 c432 c433 c434 c435 c436 c437 c438 c439 c440 c441 c442 c443 c444 c445 c446 c447 c448 c449 c450 
c451 c452 c453 c454 c455 c456 c457 c458 c459 c460 c461 c462 c463 c464 c465 c466 c467 c468 c469 c470 
c471 c472 c473 c474 c475 c476 c477 c478 c479 c480 c481 c482 c483 c484 c485 c486 c487 c488 c489 c490 
c491 c492 c493 c494 c495 c496 c497 c498 c499 c500 
Time-varying observation innovation loading matrix D contains unknown parameters:
c501 c502 c503 c504 c505 c506 c507 c508 c509 c510 c511 c512 c513 c514 c515 c516 c517 c518 c519 c520 
c521 c522 c523 c524 c525 c526 c527 c528 c529 c530 c531 c532 c533 c534 c535 c536 c537 c538 c539 c540 
c541 c542 c543 c544 c545 c546 c547 c548 c549 c550 c551 c552 c553 c554 c555 c556 c557 c558 c559 c560 
c561 c562 c563 c564 c565 c566 c567 c568 c569 c570 c571 c572 c573 c574 c575 c576 c577 c578 c579 c580 
c581 c582 c583 c584 c585 c586 c587 c588 c589 c590 c591 c592 c593 c594 c595 c596 c597 c598 c599 c600 

Initial state distribution:

Initial state means
  x1   x2   x3   x4 
 NaN  NaN  NaN  NaN 

Initial state covariance matrix
     x1   x2   x3   x4  
 x1  NaN  NaN  NaN  NaN 
 x2  NaN  NaN  NaN  NaN 
 x3  NaN  NaN  NaN  NaN 
 x4  NaN  NaN  NaN  NaN 

State types
     x1          x2          x3          x4     
 Stationary  Stationary  Stationary  Stationary 

Программа атрибутирует разный набор коэффициентов для каждого периода. Вы можете испытывать числовые проблемы, когда вы оцениваете такие модели. Чтобы повторно использовать параметры среди групп периодов, рассмотрите создание функции отображения параметра в матрицу.

Совет

  • Программа всегда отображает явно заданные модели пространства состояний (то есть модели, которые вы создаете, не используя функцию отображения параметра в матрицу). Сначала попробуйте явным образом задать модели пространства состояний, чтобы можно было проверить их с помощью disp.

  • Функция преобразования параметров в матрицы, которую вы задаете для создания Mdl - черный ящик к программному обеспечению. Поэтому программное обеспечение может не отображать сложные, неявно определенные модели пространства состояний.

Алгоритмы

  • Если вы неявно создаете Mdlи если программное обеспечение не может вывести местоположения для неизвестных параметров из функции parameter-to-matrix, то программное обеспечение оценивает эти параметры с помощью их начальных значений и отображает их как числовые значения. Эта оценка может произойти, когда функция parameter-to-matrix имеет случайный, неизвестный коэффициент, который является удобной формой для исследования Монте-Карло.

  • Программа отображает начальные распределения состояний как числовые значения. Этот тип отображения возникает, потому что во многих случаях начальное распределение зависит от значений матриц уравнений состояний A и B. Эти значения часто являются сложной функцией неизвестных параметров. В таких ситуациях программное обеспечение не отображает начальное распределение символически. Дополнительно, если Mean0 и Cov0 содержит неизвестные параметры, затем программа оценивает и отображает числовые значения для неизвестных параметров.

Ссылки

[1] Дурбин Дж., и С. Дж. Копман. Анализ временных рядов по методам пространства состояний. 2nd ed. Oxford: Oxford University Press, 2012.

Для просмотра документации необходимо авторизоваться на сайте