卡萨尔斯，J。;索托卡，S。;M.赫雷斯。 非平稳状态空间模型的最小条件似然。 （英语） Zbl 07312593号 数学。计算。模拟。 100, 24-40 (2014)。 摘要：计算非平稳状态空间模型的高斯似然是文献中使用两种主要策略（数据转换和扩散似然）解决的一个难题。数据转换方法很麻烦，因为它需要非标准滤波。另一方面，扩散似然值取决于扩散状态的规模，因此两个观测等效模型在某些非平凡情况下可能会产生不同的似然值。在本文中，我们提出了一种替代方法：计算一个以消除扩散初始化影响所需的最小子样本为条件的似然函数。我们的程序有三个方便的特点：（a）它可以用标准卡尔曼滤波器计算，（b）它是无标度的，（c）它的值与差分得到的值一致，这是处理非平稳数据的最常用方法。 MSC公司： 62M20型 随机过程推断和预测 关键词：状态空间;最大似然;扩散似然;漫反射初始化;卡尔曼滤波器;非平稳性 PDF格式BibTeX公司 XML格式引用 \textit{J.Casals}等人，数学。计算。模拟。100,24--40（2014；Zbl 07312593） 全文： 内政部 链接 参考文献： [1] 安斯利，C.F。；Kohn，R.，《不完全指定初始条件下状态空间模型的估计、滤波和平滑》，《统计年鉴》，第13期，第1286-1316页（1985年）·Zbl 0586.62154号 [2] 安斯利，C.F。；Kohn，R.，《部分扩散初始条件下状态空间模型的滤波与平滑》，《时间序列分析杂志》，第11期，第275-293页（1990年）·Zbl 0716.62096号 [3] 贝尔·W。；Hillmer，S.C.，为非平稳时间序列模型初始化卡尔曼滤波器，时间序列分析杂志，12，4，283-300（1991）·Zbl 0736.62080号 [4] 盒子，G.E.P。；詹金斯，G.M。；Reinsel，G.C.，《时间序列分析：预测和控制》（2008年），威利出版社：威利纽约·Zbl 1154.62062号 [5] 卡萨尔斯，J。；Sotoca，S。；Herez，M.，计算时不变状态空间模型可能性的快速稳定方法，《经济学快报》，65，329-337（1999）·Zbl 1134.62362号 [6] 卡萨尔斯，J。；赫雷斯，M。；Sotoca，S.，平稳和非平稳时间序列的精确平滑，国际预测杂志，16，1，59-69（2000） [7] De Jong，P.，状态空间模型的可能性，生物统计学，75，1，165-169（1988）·兹比尔0632.62094 [8] De Jong，P.，《扩散卡尔曼滤波器》，《统计年鉴》，第19卷，第1073-1083页（1991年）·Zbl 0742.62093号 [9] De Jong，P。；Chu-Chun-Lin，S.，非平稳状态空间模型的快速似然评估和预测，生物统计学，81133-142（1994）·Zbl 0796.62078号 [10] Francke，M.K。；科普曼，S.J。；de Vos，A.，具有扩散初始条件的状态空间模型的似然函数，时间序列分析杂志，31，6，407-414（2010）·Zbl 1416.62487号 [11] 戈麦斯，V。；Maravall，A.，用卡尔曼滤波器对非平稳序列进行估计、预测和插值，美国统计协会杂志，89611-624（1994）·兹比尔0806.62076 [12] 戈麦斯，V。；Maravall，A。；Peña，D.，ARIMA模型中的缺失观测：跳跃法与加性异常值法，《计量经济学杂志》，88，2，341-363（1999）·Zbl 1054.62621号 [13] Harvey，A.C.，《预测、结构时间序列模型和卡尔曼滤波器》（1989），剑桥大学出版社：剑桥大学出版社英国剑桥大学出版社 [14] 科恩，R。；Ansley，C.F.，《含缺失数据的ARIMA模型的估计、预测和插值》，美国统计协会杂志，81，751-761（1986）·Zbl 0607.62106号 [15] Koopman，S.J.，非平稳时间序列模型的精确初始卡尔曼滤波和平滑，美国统计协会杂志，92，440，1630-1638（1997）·Zbl 0912.62103号 [16] 科普曼，S.J。；Durbin，J.，扩散状态空间模型的状态向量滤波与平滑，时间序列分析杂志，24，1，85-98（2003）·Zbl 1023.62096号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。