含时变矩阵的状态空间模子估计与预测.pdfVIP

摘 要 状态空间模型是一类范围很广且应用性很强的统计模型，鉴于在一定假设 条件下由模型导出的各类KalIIlall滤子和平滑可以应用到模型推断的各个方面， 因此，将时间序列所建立的模型纳入这个框架内考虑，对参数估计、检验及预 测等推断问题的处理存在着很大的优势。本文着重研究了非中心、含时变矩阵 的线性高斯状态空间模型以及非高斯、非线性状态空间模型核心的推断问韪。 具体来说，所做工作包括以下几个方面： 第一，以中心化常系数线性高斯状态空间理论为基础，论述了非中心、含 时变矩阵的状态空间模型基于Kalman滤子和平滑的参数估计、检验和预测， 重点讨论了在各种假设条件下以EM算法为核心的参数的极大似然估计及检 验。 第二，研究了含时变矩阵的状态空间模型在初始扩散情形下精确初始化 Kalmall滤子和扩大的Kalmall滤子及的迭代规律。作为应用，利用这两类滤子 及对应的平滑，给出了含缺失观测值的含有外生解释变量且系数随时间变化的 回归模型的参数的极大似然估计求解方式，并对识别的模型给出了观测变量提 前若干期以精确初始KalInan滤子所表示的预测结果。 第三，对于非高斯、非线性模型，本文重点研究了这些模型的线性化、扩 展的KalInan滤子和平滑、