时间序列分析讲义第13章Kalman滤波.doc

时间序列分析方法讲义 第11章 Kalman滤波 PAGE PAGE 11 第十一章 Kalman滤波 本章我们介绍由R. E. Kalman命名的一种十分有用的工具。其核心思想是将动态系统表示成为状态空间表示(state-space representation)。Kalman滤波是按顺序更新系统线性投影的一种算法。该算法对于计算例如时变系数回归等具有重要应用。 §11.1 动态系统的状态空间表示 1. 状态空间模型和状态空间表示 假设是一个维的在时刻t可以观测的向量。很多情形下，可以利用一个不可观测的随机向量表示，该向量称为状态向量(state vector)。则变量服从的动态过程可以利用状态空间表示为： (11.1) (11.2) 这里矩阵、和分别是、和维的参数矩阵。是维的外生或前定变量。 方程(11.1)被称为状态方程(state equation)；方程(11.2)被称为观测方程(observation equation)。这里维误差向量和维误差向量均为向量白噪声过程： (11.3) (11.4) 其中和分别是和维的正定矩阵。 我们继续假设状态方程误差和观测方程误差在所有时间间隔上是不相关的，即对所有的和： (11.5) 这里所假设的是维的外生或前定变量的含义是，除了包含在中的信息以外，没有提高任何关于和()的信息。例如，中可以包含变量的滞后变量，或者包含与和()不相关的解释变量。 如果假设初始状态向量是可以得到，则上述方程(11.1)—(11.5)可以典型地用来描述有限个样本观测值过程：。 (1) 假设与和的任何实现都无关，则有：对于 ， (11.6) 状态方程(11.1)意味着可以表示为： ， 因此方程(11.6)意味着与滞后的无关： ， (11.7) ， (11.8) ， (11.9) 因此，上述方程(11.1)—(11.5)表示的模型系统是相当灵活的。我们还可以将其推广为与相关的情形。另外，各种参数矩阵(、、、或)可以是时间的函数。但是，为了更为清楚和简洁，我们集中考虑状态空间模型的基本形式，即方程(11.1)—(11.5)表示的模型系统。 2. 状态空间表示的例子 例11.1 AR(p)过程的状态空间表示 考虑一个单变量的AR(p)过程： (11.10) 这个模型可以表示成为如下状态空间形式： 状态方程() (11.11) 观测方程()： (11.12) 与状态空间表示的标准形式对照，相应的参数矩阵为： ， ， ，，，，， 上述状态方程是一个一阶向量差分方程，而观测方程是一个简单的恒等式。将自回归过程表示成为状态空间表示的主要原因是说明状态空间表示是归纳模型动态性质的一种重要表示方式和归纳方式。 例11.2 MA(1)过程的状态空间表示 我们考虑一个一元MA(1)过程： (11.13) 这个模型可以表示成为如下状态空间形式。 状态方程()： (11.14) 观测方程()： (11.15) 与状态空间模型表示的符号对应有： ，，，， ，，，，， 应该注意到，一个动态模型可以具有多种状态空间表示，例如MA(1)过程还可以表示成为： 状态方程()：