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.
1
JFew keuntungan tambahan, seperti yang disebutkan di poin pertama Anda, dapat dengan mudah menggabungkan beberapa shift dan outlier level. Dalam pengalaman saya istirahat struktural dapat dengan mudah diidentifikasi dengan ruang negara daripada ARIMA. Juga dapat dengan mudah menggabungkan efek nonlinear dari variabel eksogen. Tidak memerlukan data deret waktu menjadi stasioner yang merupakan + besar.
—
peramal
Yah saya akan mengambil model ruang negara atas ARIMA kapan saja. Saya dapat memikirkan dua kelemahan (semacam): a) model ruang keadaan yang sesuai dari model ARIMA memiliki banyak nol yang tidak perlu dalam matriks desain. Orang mungkin berpendapat bahwa ARIMA lebih kompak. b) ada model non-linear / non-gaussian yang jarang memiliki bentuk analitis yang kadang-kadang dapat dijelaskan dalam bentuk ARIMA, tetapi akan sulit dalam ruang keadaan tradisional.
—
Cagdas Ozgenc
@Kochede Durbin dan Koopman tampaknya tidak bisa memikirkan banyak kerugian juga - mereka menyebutkan dua di bagian bawah halaman 52 dalam buku teks fantastis mereka . Dan saya katakan kerugian ini belum tentu benar lagi.
Beberapa pertanyaan . Apakah ia dengan jelas mengidentifikasi perubahan tren waktu dan melaporkan titik waktu di mana tren berubah? Apakah ia membedakan antara perubahan parameter dan perubahan varian kesalahan dan melaporkannya? Apakah ia mendeteksi dan melaporkan efek lead dan lag tertentu di sekitar prediktor yang ditentukan pengguna? Bisakah seseorang menentukan jumlah minimum nilai dalam suatu kelompok sebelum pergeseran level / tren waktu lokal diumumkan? Apakah itu membedakan antara kebutuhan untuk transformasi daya versus titik deterministik dalam waktu di mana varians kesalahan berubah? Model ARMAX berbicara dengan semua pertimbangan ini.
—
IrishStat
Untuk kelengkapan, kelemahan dalam beberapa keadaan adalah Anda harus menjelaskannya. Itu tergantung pada audiens Anda. Saya senang jika ada yang mau menganggap ini sebagai sesuatu yang, atau seharusnya, tidak relevan untuk memilih teknik.
—
Nick Cox