Оцінка параметрів динамічної лінійної моделі

Я хочу реалізувати (в R) наступну дуже просту динамічну лінійну модель, для якої у мене є 2 невідомі зміни параметрів часу (дисперсія помилки спостереження та дисперсія помилки стану ).$\epsilon^1_t$$\epsilon^2_t$

$\begin{matrix} Y_t & = & \theta_t + \epsilon^1_t\\ \theta_{t+1} & = & \theta_{t}+\epsilon^2_t \end{matrix}$

Я хочу оцінити ці параметри в кожний момент часу, не маючи жодного зміщення вперед . З того, що я розумію, я можу використовувати або MCMC (у прокатному вікні, щоб уникнути зміщення поглядів вперед), або фільтр для частинок (або Послідовний Монте-Карло - SMC).

Який метод ви б використали та
які плюси та мінуси цих двох методів?

Питання про бонус: У цих методах як вибрати швидкість зміни параметрів? Я думаю, що нам тут доведеться ввести інформацію, оскільки існує можливість між великою кількістю даних для оцінки параметрів та меншою кількістю даних для швидшого реагування на зміну параметра?

Якщо у вас є різні параметри часу і ви хочете робити послідовно (фільтруючи), SMC має найбільше сенс. MCMC краще, коли ви хочете обробляти всі дані або у вас є невідомі статичні параметри, які ви хочете оцінити. Фільтри частинок мають проблеми зі статичними параметрами (виродження).

Погляньте на пакет dlm та його віньєтку . Я думаю, ви можете знайти те, що шукаєте від віньєтки. Автори пакета також написав книгу Динамічні лінійні моделі з R .

R$T$$(1000 \times (50-1) \times 10) \div 60 \div 24$

Минуло кілька років з моменту, коли ви поставили запитання, тож мені було б цікаво, якщо ви самі зараз отримаєте відповідь.