此示例演示如何从已知模型生成数据,指定包含与数据生成过程对应的未知参数的状态空间模型,然后将状态空间模型拟合到数据。
假设一个潜在的过程就是这个AR(1)过程
在哪里 为均值为0,标准差为1的高斯分布。
生成100个观察值的随机序列 ,假设该系列从1.5开始。
T = 100;ARMdl = arima(基于“增大化现实”技术的, 0.5,“不变”0,“方差”1);X0 = 1.5;rng (1);%用于再现性x =模拟(ARMdl,T,“Y0”, x0);
进一步假设潜在过程受制于方程中所示的附加测量误差
在哪里 为均值为0,标准差为0.1的高斯分布。
使用随机潜伏状态过程(x
)和观测方程来生成观测值。
y = x + 0.1*randn(T,1);
潜伏过程和观测方程共同构成了一个状态空间模型。假设系数和方差为未知参数,则状态空间模型为
指定状态转换系数矩阵。使用南
未知参数的值。
A = NaN;
指定状态扰动载荷系数矩阵。
B = NaN;
指定测量灵敏度系数矩阵。
C = 1;
指定观察-创新系数矩阵
D = NaN;
使用系数矩阵指定状态空间模型。另外,指定初始状态的平均值、方差和分布(是平稳的)。
Mean0 = 0;Cov0 = 10;StateType = 0;Mdl = ssm(A,B,C,D,“Mean0”Mean0,“Cov0”Cov0,“StateType”, StateType);
Mdl
是一个舰导弹
模型。使用命令窗口中的显示来验证模型是否正确指定。
通过对观测值的估计来估计参数。将参数的起始值设置为params0
.
而且
必须为正,因此使用“磅”
名称-值对参数。的下界
是负
.
Params0 = [0.9;0.5;0.1);EstMdl =估计(Mdl,y,params0,“磅”,(负无穷;0;0))
方法:最大似然(fmincon)样本大小:100对数似然:-140.532 Akaike信息准则:287.064贝叶斯信息准则:294.879 | Coeff Std Err t Stat Prob ------------------------------------------------- c(1) | 0.45425 0.19870 2.28611 0.02225 c(2) | 0.89013 0.30359 2.93205 0.00337 c(3) | 0.38750 0.57858 0.66975 0.50302 | |最终状态Std Dev t Stat Prob x(1) | 1.52990 0.35620 4.29500 0.00002
EstMdl =状态空间模型类型:ssm状态向量长度:1观测向量长度:1状态扰动向量长度:1观测创新向量长度:1模型支持的样本量:无限状态变量:x1, x2,…金宝app状态扰动:u1, u2,…观测序列:y1, y2,…观测创新:e1, e2,…状态方程:x1(t) = (0.45)x1(t-1) + (0.89)u1(t)观测方程:y1(t) = x1(t) + (0.39)e1(t)初始状态分布:初始状态表示x1 0初始状态协方差矩阵x1 x1 10状态类型x1平稳
EstMdl
是一个舰导弹
模型。估计结果显示在命令窗口中,包含拟合的状态空间方程,并包含参数估计表,它们的标准误差,t统计数据,p值。
您可以使用或显示,例如使用点表示法的拟合状态转换矩阵。
EstMdl。一个
Ans = 0.4543
通过EstMdl
来预测
预测观测结果,或预测模拟
进行蒙特卡罗研究