상태 공간 모델과 KF의 모든 좋은 특성을 감안할 때 상태 공간 모델링의 단점 과 Kalman Filter (또는 EKF, UKF 또는 입자 필터)를 사용하여 추정 할 때의 단점 은 무엇 입니까? ARIMA, VAR 또는 ad / hoc / heuristic 방법과 같은 기존의 방법론을 살펴 보겠습니다.
교정하기가 어렵습니까? 모델 구조의 변화가 예측에 어떤 영향을 미치는지 이해하기가 복잡하고 어렵습니까?
또는 다른 방법으로는 상태 공간 모델에 비해 기존 ARIMA, VAR의 장점은 무엇입니까?
상태 공간 모델 의 장점 만 생각할 수 있습니다 .
- 정적 모델의 구조적 브레이크, 시프트, 시변 파라미터를 쉽게 처리합니다. 이러한 파라미터를 상태 공간 모델의 동적 상태로 만들면 모델이 파라미터의 모든 시프트에 자동으로 조정됩니다.
- 누락 된 데이터를 매우 자연스럽게 처리하고 KF의 전환 단계를 수행하고 업데이트 단계를 수행하지 않습니다.
- 상태 공간 모델 자체 (즉, 잡음 및 전이 / 관측 행렬의 공분산)의 즉석 매개 변수를 변경할 수 있으므로 현재 관측치가 다른 관측치와 약간 다른 출처에서 나온 경우이를 수행하지 않고도 추정에 쉽게 통합 할 수 있습니다. 특별한 것;
- 위의 속성을 사용하면 불규칙한 간격의 데이터를 쉽게 처리 할 수 있습니다. 관측 간격에 따라 매번 모델을 변경하거나 규칙적인 간격을 사용하고 관측없는 간격을 누락 된 데이터로 처리합니다.
- 동일한 모델에서 다른 소스의 데이터를 동시에 사용하여 하나의 기본 수량을 추정 할 수 있습니다.
- 해석 할 수없는 여러 동적 구성 요소 로 모델을 구성하고 추정 할 수 있습니다.
- 모든 ARIMA 모델은 상태 공간 형식으로 표현할 수 있지만 간단한 상태 공간 모델 만 ARIMA 형식으로 정확하게 표현할 수 있습니다.