将 ARMA 模型表示为状态空间模型并使用卡尔曼滤波器进行预测有什么优势？
这种方法例如在 python-statsmodels 的 SARIMAX 实现中使用：
https://github.com/statsmodels/statsmodels/tree/master/statsmodels/tsa/statespace
为什么用卡尔曼滤波器进行 ARMA 模型的预测
机器算法验证
预测
阿玛
卡尔曼滤波器
状态空间模型
统计模型
2022-03-26 19:48:22
1个回答
对我来说，主要优势之一是处理丢失的数据和不均匀的时间步长。卡尔曼滤波器很容易处理丢失的观测值，实际上可以用来估算它们。
OLS 和 MLE 无法轻松处理丢失的数据，而且与卡尔曼滤波器不同，并非每个包都支持此功能。