Kalman-Filter bei fehlenden Daten
Das Kalman-Filter bei fehlenden Daten erweitert das klassische Kalman-Filter zur Handhabung von Zeitreihen, bei denen einige Beobachtungen fehlen. Wenn eine Beobachtung zum Zeitpunkt t fehlt, wird der Aktualisierungsschritt übersprungen und die Zustandsschätzung allein aus dem Vorhersageschritt fortgeführt. In Kombination mit dem Erwartungsmaximierungs-(EM)-Algorithmus schätzt der Ansatz auch unbekannte Modellparameter aus unvollständigen Daten, was ihn zu einem praktischen Werkzeug für reale, unregelmäßig beobachtete Reihen macht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Shumway, R. H. & Stoffer, D. S. (2000). Time Series Analysis and Its Applications. Springer. ISBN: 978-0387989501
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521405737
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/de/bayesian/kalman-filter-with-missing-data
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayes'sche Inferenz bei fehlenden DatenBayes-Statistik↔ compare
- EM AlgorithmStatistik↔ compare
- Kalman FilterBayes-Statistik↔ compare
- Partikelfilter mit fehlenden DatenBayes-Statistik↔ compare
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ compare
- Zustandsraummodell (Kalman-Filter)Ökonometrie↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →