过滤器包含回归状态空间模型组件的状态
这个例子展示了如何过滤定常状态,包含回归状态空间模型组件。
假设之间的线性关系改变失业率和名义国民生产总值(nGNP)感兴趣的增长率。失业率进一步假设的第一个区别是一个ARMA(1,1)系列。象征性地,在状态空间形式,模型
地点:
失业率的变化在时间吗t。
马是一个虚拟的状态(1)的效果。
观察到的变化在失业率被nGNP的增长率(放气 )。
是高斯的一系列状态扰动代表0和标准偏差1。
是观察的高斯系列创新有0和标准偏差意味着什么 。
加载Nelson-Plosser数据集,其中包含的失业率和nGNP系列,等等。
负载Data_NelsonPlosser
预处理的数据以自然对数nGNP系列,每个系列的第一个区别。同时,删除开始南
从每个系列值。
isNaN =任何(ismissing(数据表),2);%国旗时期包含nangnpn = DataTable.GNPN (~ isNaN);u = DataTable.UR (~ isNaN);T =大小(gnpn, 1);%样本大小Z = [(t - 1, 1)的差异(日志(gnpn))];y = diff (u);
虽然这个例子就缺失值,软件可以容纳系列含有缺失值的卡尔曼滤波框架。
指定的系数矩阵。
一个=[南南;0 0];B = [1;1);C = 0 [1];D =南;
指定使用状态空间模型舰导弹
。
Mdl =舰导弹(A, B, C, D);
估计模型参数。指定回归组件及其初值优化使用“预测”
和“Beta0”
名称-值对参数,分别。限制的估计
所有积极、实数。
params0 = (0.3 0.2 0.2);[EstMdl, estParams] =估计(Mdl y params0,“预测”,Z,…“Beta0”(0.1 - 0.2),“磅”(负负0负无穷,无穷]);
方法:最大似然(fmincon)样本大小:61对数似然:-99.7245 Akaike信息标准:209.449贝叶斯信息准则:220.003 |多项式系数性病犯错t统计概率- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - c (1) c(2) | | -0.34098 0.29608 -1.15164 0.24948 1.05003 0.41377 2.53771 0.01116摄氏度(3)| 0.48592 0.36790 1.32079 0.18657 y < - z (1) | 1.36121 0.22338 6.09358 0 y < - z(2) | -24.46711 1.60018 -15.29024 0 | |最终状态性病Dev t统计概率x (1) | 1.01264 0.44690 2.26592 0.02346 0.58917 1.31912 0.18713 0.77718 (2) |
EstMdl
是一个舰导弹
模型,您可以访问其属性使用点符号。
过滤状态空间模型的估计。EstMdl
不存储数据或回归系数,所以你必须通过他们在使用名称-值对的参数“预测”
和“β”
,分别。情节估计、过滤状态。回想一下,第一个状态是失业率的变化,有助于建立第一个和第二个状态。
filteredX =过滤器(EstMdl y“预测”,Z,“β”,estParams (end-1:结束));(图绘制(日期(结束)- t - 1 + 1:结束),filteredX (: 1));包含(“时间”)ylabel (“失业率的变化”)标题(“过滤失业率的变化”)