Учитывая все хорошие свойства моделей пространства состояний и KF, я задаюсь вопросом - каковы недостатки моделирования пространства состояний и использования фильтра Калмана (или EKF, UKF или фильтра частиц) для оценки? Допустим, скажем, обычные методологии, такие как ARIMA, VAR или специальные / эвристические методы.
Их сложно откалибровать? Они сложны и трудно понять, как изменение структуры модели повлияет на прогнозы?
Или, другими словами, каковы преимущества обычных ARIMA, VAR по сравнению с моделями в пространстве состояний?
Я могу думать только о преимуществах модели пространства состояний:
- Он легко обрабатывает структурные разрывы, сдвиги, изменяющиеся во времени параметры некоторой статической модели - просто делайте эти параметры динамическими состояниями модели пространства состояний, и модель автоматически адаптируется к любым изменениям параметров;
- Он обрабатывает недостающие данные очень естественно, просто сделайте шаг перехода KF и не делайте шаг обновления;
- Он позволяет оперативно изменять параметры самой модели пространства состояний (ковариации шумов и матриц перехода / наблюдения), поэтому, если ваше текущее наблюдение получено из источника, немного отличающегося от других, вы можете легко включить его в оценку, не делая что-нибудь особенное;
- Использование вышеуказанных свойств позволяет легко обрабатывать данные с нерегулярным интервалом: либо изменять модель каждый раз в соответствии с интервалом между наблюдениями, либо использовать регулярный интервал и обрабатывать интервалы без наблюдений как отсутствующие данные;
- Это позволяет использовать данные из разных источников одновременно в одной и той же модели для оценки одной базовой величины;
- Это позволяет построить модель из нескольких интерпретируемых ненаблюдаемых динамических компонентов и оценить их;
- Любая модель ARIMA может быть представлена в форме пространства состояний, но только простые модели пространства состояний могут быть представлены точно в форме ARIMA.