Mengingat semua sifat yang baik dari model ruang-negara dan KF, saya bertanya-tanya - apa kerugian dari pemodelan ruang-negara dan menggunakan Filter Kalman (atau EKF, UKF atau filter partikel) untuk estimasi? Lebih dari katakanlah metodologi konvensional seperti ARIMA, VAR atau metode ad-hoc / heuristik.
Apakah mereka sulit dikalibrasi? Apakah mereka rumit dan sulit untuk melihat bagaimana perubahan dalam struktur model akan memengaruhi prediksi?
Atau, dengan kata lain - apa keunggulan ARIMA konvensional, VAR dibandingkan model ruang-ruang?
Saya hanya bisa memikirkan keuntungan dari model ruang-negara:
- Ini dengan mudah menangani patah struktural, pergeseran, parameter waktu yang bervariasi dari beberapa model statis - cukup buat parameter tersebut keadaan dinamis dari model ruang-ruang dan model akan secara otomatis menyesuaikan diri dengan perubahan dalam parameter;
- Ini menangani data yang hilang secara alami, cukup lakukan langkah transisi KF dan jangan lakukan langkah pembaruan;
- Hal ini memungkinkan untuk mengubah parameter on-a-fly dari model ruang-negara itu sendiri (kovarian suara dan matriks transisi / pengamatan) jadi jika pengamatan Anda saat ini berasal dari sumber yang sedikit berbeda dari yang lain - Anda dapat dengan mudah memasukkannya ke dalam estimasi tanpa melakukan sesuatu yang istimewa;
- Menggunakan properti di atas memungkinkan mudah menangani data spasi tidak teratur: baik mengubah model setiap kali sesuai interval antara pengamatan atau menggunakan interval reguler dan memperlakukan interval tanpa pengamatan sebagai data yang hilang;
- Memungkinkan untuk menggunakan data dari berbagai sumber secara bersamaan dalam model yang sama untuk memperkirakan satu kuantitas yang mendasarinya;
- Hal ini memungkinkan untuk membangun sebuah model dari beberapa diinterpretasi komponen dinamis unobservable dan memperkirakan mereka;
- Setiap model ARIMA dapat direpresentasikan dalam bentuk ruang-negara, tetapi hanya model ruang-negara sederhana yang dapat direpresentasikan secara tepat dalam bentuk ARIMA.