Opiszemy, jak można używać splajnu za pomocą technik filtrowania Kalmana (KF) w odniesieniu do modelu State-Space (SSM). Fakt, że niektóre modele splajnu mogą być reprezentowane przez SSM i obliczane za pomocą KF, został ujawniony przez CF Ansley i R. Kohna w latach 1980-1990. Oszacowana funkcja i jej pochodne są oczekiwaniami państwa zależnymi od obserwacji. Oszacowania te są obliczane przy użyciu wygładzania o ustalonych odstępach czasu , rutynowego zadania podczas korzystania z SSM.
Dla uproszczenia załóżmy, że obserwacje są dokonywane w momentach oraz że liczba obserwacji w
obejmuje tylko jedną pochodną z rzędem w
. Część obserwacyjna modelu zapisuje jako
gdzie oznacza nieobserwowaną prawdziwą funkcję, a
jest błędem Gaussa z wariancją zależności od rzędu pochodnej . Równanie przejścia (czas ciągły) przyjmuje postać ogólną
t1< t2)< ⋯ < tnktkd krek{ 0 ,1 ,2 }y( tk) = f[ dk]( tk) + ε ( tk)(O1)
fa( t )ε ( t k ) H ( t k ) d k dε ( tk)H.( tk)rekred tα ( t ) = A α ( t ) + η ( t )(T1)
gdzie jest nieobserwowanym wektorem stanu, a
to biały szum Gaussa z kowariancją , zakładając, że jest niezależny od hałas obserwacyjny r.vs . Aby opisać splajn, rozważamy stan uzyskany przez ułożenie
pierwszych pochodnych, tj. . Przejście jest
[f[1](t)f[2](t)⋮f[m-1](t)f[m](t)]=[010α ( t )η ( t )Qε ( tk)mα ( t ) : = [ f( t ) ,fa[ 1 ]( t ) ,... ,fa[ m - 1 ]( T ) ]⊤⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢fa[ 1 ]( t )fa[ 2 ]( t )⋮fa[ m - 1 ]( t )fa[ m ]( t )⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥= ⎡⎣⎢⎢⎢⎢⎢⎢⎢00⋮010…01⋱10⎤⎦⎥⎥⎥⎥⎥⎥⎥⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢fa( t )fa[ 1 ]( t )⋮fa[ m - 2 ]( t )fa[ m- 1 ](t )⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥+ ⎡⎣⎢⎢⎢⎢⎢⎢⎢00⋮0η( t )⎤⎦⎥⎥⎥⎥⎥⎥⎥
2m2m-1m=2>1 rok ( t k )
a następnie otrzymujemy wielomianowy splajn z rzędem (i stopniem
). Podczas gdy odpowiada zwykłem splajnowi sześciennemu,2 m2 m - 1m = 2> 1. Aby trzymać się klasycznego formalizmu SSM, możemy przepisać (O1) jako
gdzie macierz obserwacji wybiera odpowiednią pochodną w a wariancja z
jest wybierana w zależności od . Więc gdzie ,
i . Podobniey( tk) = Z ( tk) α ( tk) + ε ( tk) ,(O2)
Z ( tk)α ( tk)H.( tk)ε ( tk)rekZ ( tk) = Z⋆rek+ 1Z⋆1: = [ 1 ,0 ,... ,0 ]Z⋆2): = [ 0 ,1 ,…0 ]Z⋆3): = [ 0 ,0 ,1 , 0 ,… ]H.( tk) = H⋆rek+ 1 H ⋆ 1 H ⋆ 2 H ⋆ 3dla trzech ,
i . H.⋆1H.⋆2)H.⋆3)
Chociaż przejście odbywa się w czasie ciągłym, KF jest w rzeczywistości standardowym czasem dyskretnym . Rzeczywiście, w praktyce skupimy się na czasach których mamy obserwację lub w których chcemy oszacować pochodne. Możemy przyjąć zbiór tych dwóch zbiorów czasów i założyć, że może brakować obserwacji w : pozwala to oszacować pochodne dowolnym momencie
niezależnie od istnienia obserwacji. Pozostaje jeszcze ustalić dyskretny SSM.t{ tk}tkmtk
Użyjemy indeksów dla dyskretnych czasów, pisząc dla
i tak dalej. SSM z czasem dyskretnym ma postać
gdzie macierze i pochodzą od (T1) i (O2), podczas gdy wariancja jest podana przez
pod warunkiem, żeαkα ( tk)αk + 1yk= Tkαk+ η⋆k= Zkαk+ εk(DT)
T.kQ⋆k: = Var ( η⋆k)εkH.k= H⋆rek+ 1ykTk=exp{δkA}=[ 1 δ 1 knie brakuje. Za pomocą algebry możemy znaleźć macierz przejścia dla dyskretnego czasu SSM
gdzie dla . Podobnie macierz kowariancji dla SSM z czasem dyskretnym można podać jako
T.k= exp{ δkA }= ⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢10⋮0δ1k1 !1…δ2)k2 !δ1k1 !…⋱δm - 1k( m - 1 ) !δ1k1 !1⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥,
δk: = tk + 1- tkk < nQ⋆k= Var ( η⋆k)Q⋆k= σ2)η[ δ2 m - i - j + 1k( m - i ) ! ( m - j ) ! ( 2 m - i - j + 1 )]ja , j
ij1m
gdzie wskaźniki oraz wynoszą od do .jajot1m
Teraz, aby przenieść obliczenia w R, potrzebujemy pakietu poświęconego KF i akceptującego modele zmieniające się w czasie; pakiet CRAN KFAS wydaje się dobrą opcją. Możemy napisać funkcje R do obliczenia macierzy
i z wektora czasów
w celu zakodowania SSM (DT). W używanych przez pakiet macierz przychodzi do pomnożenia szumu
w równaniu przejścia (DT): bierzemy to tutaj za tożsamość . Należy również pamiętać, że należy tutaj zastosować rozproszoną kowariancję początkową.T.kQ⋆ktkRkη⋆kjam
EDIT jak pierwotnie napisany był w błędzie. Naprawiono (również w kodzie R i obrazie).Q⋆
CF Ansley i R. Kohn (1986) „O równoważności dwóch podejść stochastycznych do wygładzania splajnu” J. Appl. Probab , 23, s. 391–405
R. Kohn i CF Ansley (1987) „Nowy algorytm wygładzania splajnu oparty na wygładzaniu procesu stochastycznego” SIAM J. Sci. i Stat. Comput. , 8 (1), s. 33–48
J. Helske (2017). „KFAS: wykładnicze modele przestrzeni stanów rodzinnych w R” J. Stat. Miękki. , 78 (10), s. 1–39
smoothWithDer <- function(t, y, d, m = 3,
Hstar = c(3, 0.2, 0.1)^2, sigma2eta = 1.0^2) {
## define the SSM matrices, depending on 'delta_k' or on 'd_k'
Tfun <- function(delta) {
mat <- matrix(0, nrow = m, ncol = m)
for (i in 0:(m-1)) {
mat[col(mat) == row(mat) + i] <- delta^i / gamma(i + 1)
}
mat
}
Qfun <- function(delta) {
im <- (m - 1):0
x <- delta^im / gamma(im + 1)
mat <- outer(X = x, Y = x, FUN = "*")
im2 <- outer(im, im, FUN = "+")
sigma2eta * mat * delta / (im2 + 1)
}
Zfun <- function(d) {
Z <- matrix(0.0, nrow = 1, ncol = m)
Z[1, d + 1] <- 1.0
Z
}
Hfun <- function(d) ifelse(d >= 0, Hstar[d + 1], 0.0)
Rfun <- function() diag(x = 1.0, nrow = m)
## define arrays by stacking the SSM matrices. We need one more
## 'delta' at the end of the series
n <- length(t)
delta <- diff(t)
delta <- c(delta, mean(delta))
Ta <- Qa <- array(0.0, dim = c(m, m, n))
Za <- array(0.0, dim = c(1, m, n))
Ha <- array(0.0, dim = c(1, 1, n))
Ra <- array(0.0, dim = c(m, m, n))
for (k in 1:n) {
Ta[ , , k] <- Tfun(delta[k])
Qa[ , , k] <- Qfun(delta[k])
Za[ , , k] <- Zfun(d[k])
Ha[ , , k] <- Hfun(d[k])
Ra[ , , k] <- Rfun()
}
require(KFAS)
## define the SSM and perform Kalman Filtering and smoothing
mod <- SSModel(y ~ SSMcustom(Z = Za, T = Ta, R = Ra, Q = Qa, n = n,
P1 = matrix(0, nrow = m, ncol = m),
P1inf = diag(1.0, nrow = m),
state_names = paste0("d", 0:(m-1))) - 1)
out <- KFS(mod, smoothing = "state")
list(t = t, filtered = out$att, smoothed = out$alphahat)
}
## An example function as in OP
f <- function(t, d = rep(0, length = length(t))) {
f <- rep(NA, length(t))
if (any(ind <- (d == 0))) f[ind] <- 2.0 + t[ind] - 0.5 * t[ind]^2
if (any(ind <- (d == 1))) f[ind] <- 1.0 - t[ind]
if (any(ind <- (d == 2))) f[ind] <- -1.0
f
}
set.seed(123)
n <- 100
t <- seq(from = 0, to = 10, length = n)
Hstar <- c(3, 0.4, 0.2)^2
sigma2eta <- 1.0
fTrue <- cbind(d0 = f(t), d1 = f(t, d = 1), d2 = f(t, d = 2))
## ============================================================================
## use a derivative index of -1 to indicate non-observed values, where
## 'y' will be NA
##
## [RUN #0] no derivative m = 2 (cubic spline)
## ============================================================================
d0 <- sample(c(-1, 0), size = n, replace = TRUE, prob = c(0.7, 0.3))
ft0 <- f(t, d0)
## add noise picking the right sd
y0 <- ft0 + rnorm(n = n, sd = c(0.0, sqrt(Hstar))[d0 + 2])
res0 <- smoothWithDer(t, y0, d0, m = 2, Hstar = Hstar)
## ============================================================================
## [RUN #1] Only first order derivative: we can take m = 2 (cubic spline)
## ============================================================================
d1 <- sample(c(-1, 0:1), size = n, replace = TRUE, prob = c(0.7, 0.15, 0.15))
ft1 <- f(t, d1)
y1 <- ft1 + rnorm(n = n, sd = c(0.0, sqrt(Hstar))[d1 + 2])
res1 <- smoothWithDer(t, y1, d1, m = 2, Hstar = Hstar)
## ============================================================================
## [RUN #2] First and second order derivative: we can take m = 3
## (quintic spline)
## ============================================================================
d2 <- sample(c(-1, 0:2), size = n, replace = TRUE, prob = c(0.7, 0.1, 0.1, 0.1))
ft2 <- f(t, d2)
y2 <- ft2 + rnorm(n = n, sd = c(0.0, sqrt(Hstar))[d2 + 2])
res2 <- smoothWithDer(t, y2, d2, m = 3, Hstar = Hstar)
## plots : a ggplot with facets would be better here.
for (run in 0:2) {
resrun <- get(paste0("res", run))
drun <- get(paste0("d", run))
yrun <- get(paste0("y", run))
matplot(t, resrun$smoothed, pch = 16, cex = 0.7, ylab = "", xlab = "")
matlines(t, fTrue, lwd = 2, lty = 1)
for (dv in 0:2) {
points(t[drun == dv], yrun[drun == dv], cex = 1.2, pch = 22, lwd = 2,
bg = "white", col = dv + 1)
}
title(main = sprintf("run %d. Dots = smooothed, lines = true, square = obs", run))
legend("bottomleft", col = 1:3, legend = c("d0", "d1", "d2"), lty = 1)
}
splinefun
potrafię obliczyć pochodne i prawdopodobnie możesz to wykorzystać jako punkt wyjścia do dopasowania danych za pomocą niektórych odwrotnych metod? Chcę poznać rozwiązanie tego problemu.