1. Masalahnya
Saya memiliki beberapa pengukuran variabel , di mana , di mana saya memiliki distribusi diperoleh melalui MCMC, yang untuk kesederhanaan saya akan menganggapnya sebagai gaussian rata-rata dan varians \ sigma_t ^ 2 .ytt=1,2,..,nfyt(yt)μtσ2t
Saya punya model fisik untuk pengamatan itu, katakanlah g(t) , tetapi residual rt=μt−g(t) tampaknya berkorelasi; khususnya, saya memiliki alasan fisik untuk berpikir bahwa proses AR(1) akan cukup untuk memperhitungkan korelasinya, dan saya berencana untuk mendapatkan koefisien kecocokan melalui MCMC, yang saya perlukan kemungkinannya . Saya pikir solusinya agak sederhana, tetapi saya tidak begitu yakin (sepertinya sangat sederhana, bahwa saya pikir saya kehilangan sesuatu).
2. Menurunkan kemungkinan
Proses AR (1) nol-rata AR(1)dapat ditulis sebagai:
Xt=ϕXt−1+εt, (1)
mana saya akan mengasumsikan
εt∼N(0,σ2w) . Parameter yang diestimasi adalah, oleh karena itu,
θ={ϕ,σ2w} (dalam kasus saya, saya juga harus menambahkan parameter model
g(t) , tetapi bukan itu masalahnya). Apa yang saya amati, bagaimanapun, adalah variabel
Rt=Xt+ηt, (2)
mana saya mengasumsikan
ηt∼N(0,σ2t) , dan
σ2t diketahui (the kesalahan pengukuran). Karena
Xt adalah proses gaussian,
Rt juga. Secara khusus, saya tahu itu
X1∼N(0,σ2w/[1−ϕ2]),
oleh karena itu,
R1∼N(0,σ2w/[1−ϕ2]+σ2t).
Tantangan berikutnya adalah mendapatkan
Rt|Rt−1 untuk
t≠1 . Untuk mendapatkan distribusi variabel acak ini, perhatikan bahwa, menggunakan persamaan.
(2) Saya dapat menulis
Xt−1=Rt−1−ηt−1. (3)
Menggunakan persamaan.
(2) , dan menggunakan definisi persamaan.
(1) , saya bisa menulis,
Rt=Xt+ηt=ϕXt−1+εt+ηt.
Menggunakan persamaan
(3) dalam ungkapan terakhir ini, maka, saya memperoleh,
Rt=ϕ(Rt−1−ηt−1)+εt+ηt,
dengan demikian,
Rt|Rt−1=ϕ(rt−1−ηt−1)+εt+ηt,
dan, karenanya,
Rt|Rt−1∼N(ϕrt−1,σ2w+σ2t−ϕ2σ2t−1).
Akhirnya, saya dapat menulis fungsi kemungkinan sebagai
L(θ)=fR1(R1=r1)∏t=2nfRt|Rt−1(Rt=rt|Rt−1=rt−1),
mana
f(⋅) adalah distribusi dari variabel yang baru saja saya definisikan, .ie, mendefinisikan
σ′2=σ2w/[1−ϕ2]+σ2t,
fR1(R1=r1)=12πσ′2−−−−−√exp(−r212σ′2),
dan mendefinisikan
σ2(t)=σ2w+σ2t−ϕ2σ2t−1 ,
fRt|Rt−1(Rt=rt|Rt−1=rt−1)=12πσ2(t)−−−−−−√exp(−(rt−ϕrt−1)22σ2(t))
3. Pertanyaan
- Apakah derivasi saya baik-baik saja? Saya tidak punya sumber daya untuk membandingkan selain simulasi (yang tampaknya setuju), dan saya bukan ahli statistik!
- Apakah ada derivasi hal-hal semacam ini dalam literatur untuk proses atau proses ? MA(1)ARMA(1,1)Sebuah studi untuk proses secara umum yang dapat dikhususkan untuk kasus ini akan menyenangkan.ARMA(p,q)
Jawaban:
Anda berada di jalur yang benar, tetapi Anda telah membuat kesalahan dalam menurunkan distribusi diberikan : mean kondisional bukan . Ini , di mana adalah estimasi terbaik Anda dari dari periode sebelumnya. Nilai termasuk informasi dari pengamatan sebelumnya serta . (Untuk melihat ini, pertimbangkan situasi di mana dan dapat diabaikan, sehingga Anda secara efektif memperkirakan mean tetap. Setelah banyak pengamatan, ketidakpastian Anda tentang akan jauh lebih kecil daripadaRt Rt−1 ϕrt−1 ϕxˆt−1 xˆt−1 X xˆt−1 rt−1 σw ϕ X ση .) ini dapat membingungkan pada awalnya, karena Anda mengamati dan tidak . Itu hanya berarti bahwa Anda berurusan dengan model ruang-negara .R X
Ya, ada kerangka kerja yang sangat umum untuk menggunakan model linear-Gaussian dengan pengamatan bising, disebut filter Kalman . Ini berlaku untuk apa pun dengan struktur ARIMA dan banyak lagi model juga. bervariasi waktu adalah OK untuk filter Kalman, asalkan itu tidak stokastik. Model dengan, misalnya, volatilitas stokastik memerlukan metode yang lebih umum. Untuk melihat bagaimana filter Kalman diturunkan, coba Durbin-Koopman atau bab 3 Harvey . Dalam notasi Harvey, model Anda memiliki , , , , dan .ση Z=1 d=c=0 Ht=σ2η,t T=ϕ R=1 Q=σ2w
sumber
Jujur, Anda harus kode ini dalam BUG atau STAN dan tidak khawatir tentang hal itu dari sana. Kecuali jika ini adalah pertanyaan teoretis.
sumber