แบบจำลองปริภูมิสถานะ (ตัวกรองคาลมาน)
แบบจำลองปริภูมิสถานะ (State Space Model) เป็นกรอบการทำงานทั่วไปสำหรับอนุกรมเวลาที่อธิบายอนุกรมผ่านตัวแปรสถานะแฝง (latent state variables) ที่ไม่สามารถสังเกตได้ โดยเชื่อมโยงกันด้วยสมการการวัด (measurement equation) และสมการการเปลี่ยนสถานะ (transition equation) โดยสถานะจะถูกประมาณค่าแบบเรียลไทม์ด้วยตัวกรองคาลมาน (Kalman filter) ซึ่งพัฒนาขึ้นในแนวทางปริภูมิสถานะของ Harvey (1990) และ Durbin & Koopman (2012) แบบจำลองนี้ครอบคลุมแบบจำลอง ARIMA และ exponential smoothing ในฐานะกรณีพิเศษ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+27 more
แหล่งอ้างอิง
- Harvey, A. C. (1990). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. DOI: 10.1017/CBO9781107049994 ↗
- Durbin, J. & Koopman, S. J. (2012). Time Series Analysis by State Space Methods (2nd ed.). Oxford University Press. DOI: 10.1093/acprof:oso/9780199641178.001.0001 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). State Space Model (Kalman Filter). ScholarGate. https://scholargate.app/th/econometrics/state-space-model
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.
- แบบจำลอง ARIMA (Autoregressive Integrated Moving Average)เศรษฐมิติ↔ compare
- Bayesian Vector Autoregression (BVAR)เศรษฐมิติ↔ compare
- แบบจำลองมาร์คอฟสลับระบอบ (MS-AR / MS-VAR)เศรษฐมิติ↔ compare
- แบบจำลองอนุกรมเวลาเชิงโครงสร้าง (แบบจำลองโครงสร้างพื้นฐาน)เศรษฐมิติ↔ compare