这个例子展示了如何在状态空间模型中估计状态的随机自回归系数。也就是说,本例采用了状态空间模型参数估计的贝叶斯观点,采用了“之字形”估计方法。
假设有两种状态( 和 )代表两个国家年底的净出口。
是扰动方差为的单位根过程 .
是否AR(1)过程具有未知的随机系数和扰动方差 .
观察( )是两个净出口的精确总和。也就是说,各个州的净出口是未知的。
从象征意义上讲,真正的状态空间模型是
模拟100年的净出口:
一个单位根过程的均值为零,高斯噪声序列有方差 .
自回归系数为0.6且均值为零的高斯噪声序列具有方差的AR(1)过程 .
.
通过将每年的两次净出口相加,创建一个观察系列。
rng(100);%为了再现性T=150;sigma1=0.1;sigma2=0.2;phi=0.6;u1=randn(T,1)*sigma1;x1=cumsum(u1);Mdl2=arima(基于“增大化现实”技术的,phi,“方差”, sigma2 ^ 2,“常数”, 0);x2 =模拟(Mdl2 T“Y0”,0);y=x1+x2;图形;绘图([x1-x2-y])图例(“x_1”,“x_2”,“是的”,“位置”,“最佳”);ylabel (净出口的);包含(“时间”);
对待 就好像它是未知的和随机的,并用之字形的方法来恢复它的分布。实现之字形方法:
1.选择一个初始值 在区间(-1,1)中,并表示它 .
2.创建真实的状态空间模型,即舰导弹
表示数据生成过程的模型对象。
3.使用模拟平滑器(西姆斯穆思
)从第二个平滑状态的分布中画出一条随机路径。象征性地,
.
4.创建另一个具有此表单的状态空间模型
换句话说, 是静态状态和 是一个具有时变系数的“观测”序列 .
5.使用仿真平滑器从平滑器的分布中绘制一个随机路径 系列。象征性地, 哪里 包含真实状态空间模型的结构和观察结果。 是静态的,因此可以只保留一个值( ).
6.重复步骤2 - 5多次并储存 每次迭代。
7.对模拟系列执行诊断检查。即,构造:
跟踪图,以确定磨合期和马尔可夫链是否混合良好。
自相关图来确定需要移除多少张图才能得到一个混合良好的马尔可夫链。
8.其余的级数表示由后验分布引出 。您可以计算描述性统计,或绘制直方图以确定分布的质量。
指定初始值、预分配并创建真实状态空间模型。
phi0=-0.3;%的初始值Z = 1000;%迭代“之字形”方法的次数表情= [phi0;南(Z, 1)];%预先分配A = [10 0;0 NaN);B = [sigma1;sigma2];C = [1 1];Mdl =舰导弹(A, B, C,“StateType”,[2; 0]);
Mdl是一个舰导弹
模型对象。的南
充当…的占位符
.
迭代之字形方法的步骤2 - 5。
为j = 2:(Z + 1);%从平滑的x_2序列中绘制随机路径。xz=simsmooth(Mdl,y,“参数”,phiz(j-1));%xz的第二列是x_2的后验分布图。%创建中间状态空间模型。阿兹= 1;Bz = 0;Cz = num2cell(xz((1:(end - 1)),2));Dz = sigma2;Mdlz =舰导弹(Cz, Az, Bz Dz,“StateType”2);%从平滑的phiz序列中绘制一个随机路径。phizvec=simsmooth(Mdlz,xz(2:end,2));phiz(j)=phizvec(1);% phiz(j)是由后验分布得出的结束
菲兹
是马尔可夫链。在分析后验分布之前
,您应该评估是否要施加磨合期,或链中自相关的严重程度。
为前100、500和所有随机绘制绘制轨迹图。
vec=[100 500 Z];图形为j = 1:3;次要情节(3 1 j)情节(表情(1:vec (j)));标题('用于\phi的跟踪绘图');包含(“数字仿真”);轴牢固的;结束
根据第一个图,瞬态效果在大约20次绘制后消失。因此,一个短的磨合期应该足够了。整个模拟图显示该系列围绕一个中心进行。
在去掉前20张图后绘制序列的自相关函数。
倦怠= 21:Z;图;autocorr(表情(倦怠));
自相关函数消失得相当快。链中的自相关似乎不是问题。
确定后验分布的质量 通过计算模拟统计量,绘制随机抽取约简集的直方图。
xbar =意味着(表情(倦怠))
xbar = 0.5104
xstd =性病(表情(倦怠))
xstd=0.0988
ci=norminv([0.025,0.975],xbar,xstd);%95%置信区间图:直方图(phiz(燃尽),“正常化”,“pdf”);甘氨胆酸h =;持有在…上;h.XLim simX = linspace (h.XLim (1), (2), 100);simPDF = normpdf (simX xbar xstd);情节(simX simPDF,“k”,“线宽”,2); h1=绘图([xbar xbar],h.YLim,“r”,“线宽”2);h2 = plot([0.6 0.6],h.YLim,“g”,“线宽”2);H3 = plot([ci(1) ci(1)],h。YLim,“——r”,...(ci (2) ci (2)), h。YLim,“——r”,“线宽”2);传奇(h1 h2 h3 (1), {“模拟平均值”,“真正的意思是“,“95%置信区间”});h.XTick=sort([h.XTick xbar]);h.XTickLabel{h.XTick==xbar}=xbar;h.XTickLabelRotation=90;
的后验分布 大致正态分布,均值和标准差分别约为0.51和0.1。的真实平均值 为0.6,小于模拟平均值右侧的一个标准差。
的最大似然估计
.也就是说,对待
作为一个固定的,但未知的参数,然后估计Mdl
使用卡尔曼滤波和极大似然法。
[~, estParams] =估计(Mdl y phi0)
方法:最大似然(fminunc)样本量:150对数似然:-10.1434 Akaike信息准则:22.2868贝叶斯信息准则:25.2974 | t统计概率多项式系数Std犯错 ------------------------------------------------------- c(1) | 0.53590 0.19183 2.79360 0.00521 | |最终状态性病Dev t统计概率x (1) | -0.85059 0.00000 -6.45811 e + 08年0 x(2) | 0.00454 0正0
estParams=0.5359
的大中型企业 是0.54。这两个估计值与实际值的标准偏差或标准误差均在一个范围内 .