Eviews13部分状态空间模型.ppt

* EViews统计分析基础教程 第13章 状态空间模型 重点内容： 卡尔滤波原理 状态空间模型的建立 状态空间模型的估计 一、状态空间模型基本理论 设yt是k×1维可观测向量，其包含k个经济变量，有m×1维状态向量? t，可观测向量yt与状态向量? t有关。有 y t = Z t? t + d t + μ t 该式被称为量测方程（Measurement Equation），也叫信号方程（Signal Equation）。其中，n为样本长度；Z t是k×m矩阵；? t的元素是不可观测的；d t为k×1维向量；μ t是k×1维向量，是均值为0，协方差矩阵为H t的连续的不相关误差项，即 E（μ t）=0 Var（μ t）=H t 一、状态空间模型基本理论 有如下方程成立 ? t = T t? t-1 + c t + R t ? t 该式被称为转移方程（Transition Equation），也叫状态方程（State Equation）。其中，T t是m×m矩阵；c t是m×1向量；R t是m×g矩阵；? t是g×1向量，其均值为0，协方差矩阵为Q t的连续的不相关误差项，即 E（? t）=0 Var（? t）=Q t 量测方程中的矩阵Z t，d t，H t和移动方程中的矩阵T t，c t，R t，Q t被统称为系统矩阵。 一、状态空间模型基本理论 状态空间模型的假定条件 （1）初始状态向量? 0的均值为a 0，协方差矩阵为P0； （2）随机误差项μ t和? t是相互独立的，且和初始状态向量? 0是不相关的。 二、卡尔滤波 当一个模型被写成状态空间形式时，就可以用一些重要的算法对其进行求解。这些算法的核心就是卡尔滤波（Kalman Filter）。卡尔滤波是一个理想递推过程，是在时间t基于所有可得到的信息计算的状态向量。 卡尔滤波的主要作用：当随机误差项和初始状态向量服从正态分布时，能通过预测误差分解计算似然函数，从而达到对模型中所有未知参数进行估计的目的。当获得新的观测值时，利用卡尔滤波可以修正状态向量的估计。 二、卡尔滤波 设Yn表示在t=n时刻所有可利用信息的集合，则状态向量的估计问题根据信息的多少可以分为三类： 第一类：当tn时，超出样本的观测区间，是对未来状态的估计，将该种估计称为预测； 第二类：当t=n时，与样本观测区间相同，是对现在状态的估计，将该种估计称为滤波； 第三类：当tn时，是利用到现在为止的观测值对过去状态的估计，将该种估计称为平滑。 二、卡尔滤波 假定系统矩阵Z t，H t，T t， R t，Q t是已知的，初始状态向量? 0的均值为a 0，误差协方差矩阵为P0并且是已知的。设a t-1是基于信息集合Yt-1的?t-1的估计量，Pt-1是估计误差的m×m维协方差矩阵。 当a t-1和Pt-1给定时，? t的条件分布的均值为 a t | t-1 = T t a t-1 + c t （1） 估计误差的协方差矩阵是 P t | t-1 = T t Pt-1 T t + R tQ t R t （2） （1）和（2）为预测方程。 二、卡尔滤波 当得到新的预测值xt时，就可以对? t的估计a t | t-1进行修正，新方程为 a t = a t | t-1 +P t | t-1 Z t F t-1（x t - Z t a t | t-1 - d t ） P t= P t | t-1 - P t | t-1 Z t F t-1 Z t P t | t-1 F t = Z t P t | t-1 Z t + H t 卡尔滤波的初值可以按a 0和P 0或者a1 | 0和P1 | 0指定，在每一个观测值下，卡尔滤波给出状态向量的最优估计。当所有的n个观测值都已处理完毕后，卡尔滤波会产生当前状态向量和下一个时期状态向量的最优估计。 三、状态空间模型的建立 在对状态空间模型进行估计时，需先创建一个状态空间对象。在主菜单栏中选择“Object”|“New Object”|“SSpace”选项，即建立了一个状态空间对象，同时打开了一个空的状态空间说明窗口。 三、状态空间模型的建立 定义一个状态空间模型的方法有两种： （1）利用EViews软件中的自动指定功能设定状态空间模型的标准形式。选择状态空间对象工具栏中的“Proc”|“Define State Space…”选项，得到下图所示的对话框。在该对话框中可以对状态空间模型进行设定。 三、状态空间模型的建立 “Basic Regression”（基本回归）选项卡 该选项卡中可以设定模型的基本回归部分