有人可以告诉我一个关于如何在 R 中对时间序列使用 DLM 卡尔曼滤波的例子。假设我有这些值（具有年度季节性的季度值）；您将如何使用 DLM 预测下一个值？顺便说一句，我是否有足够的历史数据（最低限度是多少）？
89 2009Q1
82 2009Q2
89 2009Q3
131 2009Q4
97 2010Q1
94 2010Q2
101 2010Q3
151 2010Q4
100 2011Q1
? 2011Q2
我正在寻找 R 代码食谱式的逐步操作方法类型的答案。预测的准确性不是我的主要目标，我只想学习为我提供 2011Q2 数字的代码序列，即使我没有足够的数据。
JSS 39-02上的论文比较了 5 个不同的卡尔曼滤波 R 包并给出了示例代码。
DLM 很酷，但它们不像 ARIMA 或其他方法那么简单。在其他方法中，您插入数据，然后调整算法的一些参数，可能会参考各种诊断来指导您的设置。
使用 DLM，您正在创建一个状态空间机，它由几个矩阵组成，这些矩阵基本上实现了隐马尔可夫模型之类的东西。一些包（sspir我认为，除其他外）期望你理解这个概念和矩阵的作用。我强烈建议您从dlm包装开始，并按照@RockScience 的建议，浏览小插图。
dlm你将基本上采取几个步骤：
什么样的组件描述了我的系列？趋势？季节性？外生变量？您将使用dlm类似dlmModPoly实现这些组件的工具，使用+运算符将它们连接到一个模型中。
创建一个 R 子例程，该子例程采用该模型所需的许多参数，使用这些参数创建组件，然后将它们相加并返回结果模型。
用于dlmMLE进行搜索/优化以找到适当的参数（使用 MLE，这基本上是优化，优化中可能出现的陷阱）。dlmMLE使用候选参数重复调用您的 R 子例程以创建模型，然后对其进行测试。
使用您创建的 R 子例程以及您在步骤 3 中找到的参数创建您的最终模型。
用 过滤您的数据dlmFilter，然后用 进行平滑处理dlmSmooth。
如果您使用dlmModReg或执行任何导致模型具有时变参数的操作，则无法用于dlmForecast预测您的序列。如果你最终得到了一个时变模型，你会想要用 NA 填写你的输入数据，并让dlmFilter你填写 NA（穷人的预测），因为dlmForecast它不适用于时变参数。
如果您想单独检查组件（例如趋势，与季节性分开），您需要了解矩阵以及每列中的内容，以及了解如何dlm将它们组合在一起（顺序很重要！）。
还有另一个包，我不知道它的名字，它试图创建一个可以使用其中几个包的前端（包括dlm作为后端）。不幸的是，我从来没有让它很好地工作，但那可能只是我。
我真的建议你买一本关于 DLM 的书。我得到了其中的几个并且玩了很多dlm才到达我现在的位置，而且我无论如何都不是专家。
我建议您阅读 dlm vignette http://cran.r-project.org/web/packages/dlm/vignettes/dlm.pdf尤其是第 3.3 章