Biorąc pod uwagę wszystkie dobre właściwości modeli przestrzeni stanów i KF, zastanawiam się - jakie są wady modelowania przestrzeni stanów i używania filtra Kalmana (lub EKF, UKF lub filtra cząstek) do oszacowania? Ponad, powiedzmy, konwencjonalne metodologie, takie jak ARIMA, VAR lub metody ad-hoc / heurystyczne.
Czy trudno je skalibrować? Czy są skomplikowane i trudne do zrozumienia, jak zmiana struktury modelu wpłynie na przewidywania?
Innymi słowy - jakie są zalety konwencjonalnych modeli ARIMA, VAR w porównaniu z modelami przestrzeni stanów?
Mogę myśleć tylko o zaletach modelu przestrzeni stanów:
- Z łatwością radzi sobie z pęknięciami strukturalnymi, przesunięciami, zmiennymi w czasie parametrami niektórych modeli statycznych - po prostu ustaw te parametry w stanach dynamicznych modelu przestrzeni kosmicznej, a model automatycznie dostosuje się do wszelkich zmian parametrów;
- Obsługuje brakujące dane bardzo naturalnie, po prostu wykonaj krok przejścia KF i nie rób kroku aktualizacji;
- Pozwala zmieniać parametry w locie samego modelu przestrzeni stanów (kowariancje szumów i macierze przejścia / obserwacji), więc jeśli twoja obecna obserwacja pochodzi z nieco innego źródła niż inne - możesz łatwo włączyć ją do estymacji bez robienia nic specjalnego;
- Korzystanie z powyższych właściwości pozwala łatwo obsługiwać dane o nieregularnych odstępach: albo zmieniaj model za każdym razem zgodnie z odstępem między obserwacjami, albo używaj regularnych odstępów i traktuj odstępy bez obserwacji jako brakujące dane;
- Pozwala na jednoczesne wykorzystanie danych z różnych źródeł w tym samym modelu w celu oszacowania jednej podstawowej wartości;
- Pozwala to zbudować model z kilku interpretowalnych, nieobserwowalnych komponentów dynamicznych i oszacować je;
- Dowolny model ARIMA może być reprezentowany w formie przestrzeni stanów, ale tylko proste modele w przestrzeni stanów mogą być reprezentowane dokładnie w formie ARIMA.