Eksik Verili Kalman Filtresi
Kalman Filter for State-Space Models with Missing Observations · Ayrıca şöyle bilinir: Kalman smoother with missing data, state-space model with missing observations, EM Kalman filter, KF-EM
Eksik verili Kalman filtresi, klasik Kalman filtresini, bazı gözlemlerin bulunmadığı zaman serilerini işlemek üzere genişletir. Zaman t'de bir gözlem eksik olduğunda, güncelleme adımı atlanır ve durum tahmini yalnızca tahmin adımından ileriye taşınır. Beklenti-Maksimizasyon (EM) algoritması ile birleştirildiğinde, bu yaklaşım eksik verilerden bilinmeyen model parametrelerini de tahmin eder, bu da onu gerçek dünyadaki düzensiz gözlemlenen seriler için pratik bir araç haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Eksik verili Kalman filtresini, düzenli aralıklarla gözlemlenen ancak aralıklı boşluklara sahip (sensör kesintileri, finansal verilerde işlem görmeyen günler, düzensiz anket dalgaları veya seyrek laboratuvar ölçümleri) çok değişkenli veya tek değişkenli zaman serileri için kullanın. Özellikle altında yatan dinamikler doğrusal ve Gauss olduğunda ve parametre tahminleri ile düzeltilmiş durum yörüngelerini atanan değerlerle birlikte istediğinizde çok uygundur. Eksikliğin ağır ve bilgilendirici olduğu (sistemin arızalanması nedeniyle veri eksik), dinamiklerin güçlü bir şekilde doğrusal olmadığı (bunun yerine parçacık filtreleri veya genlikli Kalman filtresi kullanın) veya EM ile tahmin edilecek parametre sayısına kıyasla serinin çok kısa olduğu durumlarda kaçının.
Güçlü yönler & sınırlılıklar
- Filtre özyinelemesi içinde eksik gözlemleri doğal olarak işler - ayrı bir atama gerekmez.
- Eksik zaman noktaları için düzeltilmiş durum tahminleri ve atanan değerleri, ilişkili belirsizlikle birlikte üretir.
- EM varyantı, model parametrelerini ve eksik verileri tek bir olabilirlikten eş zamanlı olarak tahmin eder.
- Çok sayıda gözlemlenen seriye sahip çok değişkenli sistemlere verimli bir şekilde ölçeklenir.
- Gözlemlenen veriler için kesin olabilirlik sağlar, bu da AIC veya BIC aracılığıyla ilkeli model karşılaştırmayı mümkün kılar.
- Doğrusal Gauss durum-uzay dinamiklerini varsayar; güçlü doğrusal olmayan veya Gauss olmayan sistemler alternatifler gerektirir.
- EM yakınsaması yavaş olabilir ve olabilirlik için küresel bir maksimum yerine yerel bir maksimuma ulaşabilir.
- Çok sayıda eksik gözlem ve çok sayıda bilinmeyen parametre ile EM M-adımı kötü koşullu hale gelebilir.
- Bilgilendirici eksiklik (sistemle ilgili nedenlerle veri eksikliği) rastgele eksiklik varsayımını ihlal eder.
SSS
Filtrede bir gözlem eksik olduğunda tam olarak ne olur?
Tahmin adımı her zamanki gibi çalışır, ancak güncelleme adımı atlanır: Kalman kazancı sıfıra ayarlanır, böylece filtrelenmiş durum tahmin edilen duruma ve filtrelenmiş kovaryans tahmin edilen kovaryansa eşit olur. O zaman noktası için belirsizlik azalmaz çünkü yeni bir bilgi gelmemiştir.
Model parametrelerini biliyorsam EM'ye ihtiyacım var mı?
Hayır. F, H, Q, R ve başlangıç durumu dağılımı tam olarak belirtilmişse, eksik gözlem kuralıyla Kalman filtresini ve düzelticisini doğrudan çalıştırabilirsiniz. EM yalnızca bu parametrelerin verilerden tahmin edilmesi gerektiğinde gereklidir.
Bunun yerine ne zaman bir parçacık filtresi kullanmalıyım?
Durum-uzay dinamikleri doğrusal değilse veya gürültü dağılımları Gauss değilse, doğrusal Kalman denklemleri artık kesin değildir. Bu durumlarda bir parçacık filtresi (sıralı Monte Carlo), Gauss olmayan son durumu ağırlıklı bir örnek kümesiyle yaklaştırır ve eksik verileri aynı şekilde işler - yeniden ağırlıklandırma adımını atlayarak.
Eksikliğin göz ardı edilebilir olup olmadığını nasıl değerlendirebilirim?
Standart Kalman EM çerçevesi, gözlemlerin rastgele eksik olduğunu (MAR) varsayar - bir boşluğun olasılığı, gözlemlenmeyen değerin kendisine bağlı değildir. Boşlukların aşırı olaylarda kümelenip kümelenmediğini veya sistem arızalarından kaynaklanıp kaynaklanmadığını kontrol edin; eğer öyleyse, eksiklik mekanizmasını açıkça hesaba katan bir modele ihtiyaç vardır.
Tipik olarak kaç EM yinelemesi gerekir?
Soruna bağlıdır, ancak yakınsama genellikle gözlemlenen verilerin log-olabilirliğindeki göreceli değişimin küçük bir eşiğin (örneğin, 1e-6) altına düştüğünde beyan edilir. Elli ila birkaç yüz yineleme yaygındır; yerel maksimumlara karşı koruma sağlamak için birden fazla başlangıç noktasından başlatın.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/tr/bayesian/kalman-filter-with-missing-data
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Eksik Veri ile Bayesci ÇıkarımBayesçi↔ karşılaştır
- Beklenti-Maksimizasyon (EM) Algoritmasıİstatistik↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Eksik Veriye Sahip Parçacık FiltresiBayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır