Penapis Kalman dengan Data Hilang
Penapis Kalman dengan data hilang melanjutkan penapis Kalman klasik untuk mengendalikan siri masa di mana sesetengah pemerhatian tiada. Apabila pemerhatian hilang pada masa t, langkah kemas kini dilangkau dan anggaran keadaan dibawa ke hadapan daripada langkah ramalan sahaja. Digabungkan dengan algoritma Expectation-Maximisation (EM), pendekatan ini juga menganggarkan parameter model yang tidak diketahui daripada data yang tidak lengkap, menjadikannya alat praktikal untuk siri yang diperhatikan secara tidak teratur di dunia nyata.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/ms/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.
- Inferens Bayesian dengan Data HilangBayesian↔ compare
- Algoritma EM (Expectation-Maximization)Statistik↔ compare
- Penapis KalmanBayesian↔ compare
- Penapis Zarah dengan Data HilangBayesian↔ compare
- Monte Carlo SekuensialBayesian↔ compare
- Model Ruang Keadaan (Penuras Kalman)Ekonometrik↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →