（时间管理）时间序列分析方法第章k滤波.docxVIP

（时间管理）时间序列分析方法第章 K 滤波 第十三章卡尔曼滤波 于本章中，我们介绍壹种被称为卡尔曼滤波的十分有用的工具。卡尔曼滤波的基本思想是将动态系统表示成为壹种称为状态空间表示的特殊情形。卡尔曼滤波是对系统线性投影进行序列更新的算法。除了壹般的优点以外，这种算法对计算确切的有限样本预测、计算GaussARMA 模型的确切似然函数、估计具有时变参数的自回归模型等，均提供了重要方法。 §13.1 动态系统的状态空间表示 我们已经介绍过壹些随机过程的动态表示方法，下面我们于以前的假设基础上，继续分析动态系统的表示方法。 继续使用的假设 假设表示时刻观测到的 n 维随机向量，壹类非常丰富的描述动态性的模型能够利用壹些可能无法观测的被称为状态向量(statevector)的 r 维向量表示，因此表示动态性的状态空间表示(state-spacerepresentation)由下列方程系统给出： 状态方程(statemodel)(13.1) 量测方程(observationmodel)(13.2) 这里，和分别是阶数为，和的参数矩阵，是的外生或者前定变量。方程(13.1)被称为状态方程(statemodel)，方程(13.2)被称为量测方程(observationmodel)，维向量和维向量均是向量白噪声，满足： (13.3) (13.4) 这里和是和阶矩阵。假设扰动项和对于所有阶滞后均是