Kalmanfilter med saknade data
Kalmanfiltret med saknade data utökar det klassiska Kalmanfiltret för att hantera tidsserier där vissa observationer saknas. När en observation saknas vid tidpunkten t hoppas uppdateringssteget över och tillståndsskattningen förs vidare enbart från prediktionssteget. I kombination med Expectation-Maximisation (EM)-algoritmen skattar metoden även okända modellparametrar från ofullständiga data, vilket gör den till ett praktiskt verktyg för oregelbundet observerade serier i verkligheten.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk inferens med saknade dataBayesiansk statistik↔ compare
- EM-algoritmenStatistik↔ compare
- KalmanfilterBayesiansk statistik↔ compare
- Partikelfilter med saknade dataBayesiansk statistik↔ compare
- Sekventiell Monte CarloBayesiansk statistik↔ compare
- Tillståndsrumsmodell (Kalmanfilter)Ekonometri↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →