Filtr Kalmana z brakującymi danymi
Filtr Kalmana z brakującymi danymi rozszerza klasyczny filtr Kalmana o obsługę szeregów czasowych, w których brakuje niektórych obserwacji. Gdy obserwacja jest brakująca w czasie t, krok aktualizacji jest pomijany, a oszacowanie stanu jest przenoszone dalej wyłącznie z kroku predykcji. W połączeniu z algorytmem oczekiwania-maksymalizacji (EM) podejście to pozwala również estymować nieznane parametry modelu na podstawie niekompletnych danych, co czyni je praktycznym narzędziem dla nieregularnie obserwowanych szeregów w świecie rzeczywistym.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/pl/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.
- Bayesowska inferencja przy brakujących danychStatystyka bayesowska↔ compare
- Algorytm EMStatystyka↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Filtr cząsteczkowy z brakującymi danymiStatystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
- Model przestrzeni stanów (filtr Kalmana)Ekonometria↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →