Враховуючи всі хороші властивості державно-просторових моделей та KF, мені цікаво - які недоліки моделювання простору стану та використання фільтра Kalman (або EKF, UKF або фільтра частинок) для оцінки? Скажімо, звичайні методології, такі як ARIMA, VAR або спеціальні / евристичні методи.
Їх важко відкалібрувати? Чи є вони складними і важко зрозуміти, як зміна структури моделі вплине на прогнози?
Або, кажучи іншим способом - які переваги звичайних моделей ARIMA, VAR перед державно-просторовими моделями?
Я можу думати лише про переваги моделі держави-простору:
- Він легко обробляє структурні розриви, зрушення, часові зміни параметрів якоїсь статичної моделі - просто зробіть ці параметри динамічними станами моделі простору стану і модель автоматично підлаштовується під будь-які зрушення параметрів;
- Він обробляє відсутні дані дуже природно, просто зробіть крок переходу KF і не зробіть крок оновлення;
- Це дозволяє змінювати параметри «моделі-лету» самої моделі простору стану (коваріації шумів і матриць переходу / спостереження), тому якщо ваше поточне спостереження походить з трохи іншого джерела, ніж інші - ви можете легко включити його в оцінку, не роблячи цього нічого особливого;
- Використовуючи вищевказані властивості, це дозволяє легко обробляти нерегулярні дані: або змінювати модель кожен раз відповідно до інтервалу між спостереженнями, або використовувати регулярний інтервал та обробляти інтервали без спостережень як відсутні дані;
- Це дозволяє використовувати дані з різних джерел одночасно в одній моделі для оцінки однієї базової кількості;
- Це дозволяє побудувати модель з декількох інтерпретованих динамічних компонентів, що не спостерігаються, та оцінити їх;
- Будь-яка модель ARIMA може бути представлена у формі простору стану, але лише прості моделі простору стану можуть бути представлені саме у формі ARIMA.