statsmodels.tsa.statespace.kalman_smoother.SmootherResults.get_smoothed_decomposition¶

SmootherResults.get_smoothed_decomposition(decomposition_of='smoothed_state', state_index=None)[source]¶

将平滑输出分解为来自观测值的贡献

Parameters:¶

decomposition_of{“smoothed_state”, “smoothed_signal”}

要进行分解的对象。如果设置为“smoothed_state”，则平滑状态向量的元素将被分解为每个观测值的贡献。如果设置为“smoothed_signal”，则基于平滑状态向量的观测向量预测将被分解。默认值为“smoothed_state”。

state_indexarray_like, optional

一个可选的索引，用于指定在构建“smoothed_signal”分解时使用的部分状态。例如，如果传递了state_index=[0, 1]，则只会返回由前两个状态引起的观测变量对平滑信号的贡献。请注意，如果未使用所有状态，则贡献总和将不等于平滑信号。默认情况下使用所有状态。

Returns:¶

data_contributionsarray

观测值对分解对象的贡献。如果正在分解平滑状态，那么 data_contributions 的形状为 (nobs, k_states, nobs, k_endog)，其中 (t, m, j, p)-th 元素是时间 j 处的第 p-th 观测值对时间 t 处的第 m-th 状态的贡献。如果正在分解平滑信号，那么 data_contributions 的形状为 (nobs, k_endog, nobs, k_endog)，其中 (t, k, j, p)-th 元素是时间 j 处的第 p-th 观测值对时间 t 处的第 k-th 观测值的平滑预测的贡献。

obs_intercept_contributionsarray

观测截距对分解对象的贡献。如果正在分解平滑状态，那么 obs_intercept_contributions 的形状为 (nobs, k_states, nobs, k_endog)，其中 (t, m, j, p)-th 元素是时间 j 处的第 p 个观测截距对时间 t 处的第 m 个状态的贡献。如果正在分解平滑信号，那么 obs_intercept_contributions 的形状为 (nobs, k_endog, nobs, k_endog)，其中 (t, k, j, p)-th 元素是时间 j 处的第 p 个观测对时间 t 处的第 k 个观测的平滑预测的贡献。

state_intercept_contributionsarray

状态截距对分解对象的贡献。如果正在分解平滑状态，那么 state_intercept_contributions 的形状为 (nobs, k_states, nobs, k_states)，其中 (t, m, j, l)-th 元素是时间 j 处的第 l 个状态截距对时间 t 处的第 m 个状态的贡献。如果正在分解平滑信号，那么 state_intercept_contributions 的形状为 (nobs, k_endog, nobs, k_endog)，其中 (t, k, j, l)-th 元素是时间 j 处的第 p 个观测值对时间 t 处的第 k 个观测值的平滑预测的贡献。

prior_contributionsarray

先验对分解对象的贡献。如果正在分解平滑状态，那么prior_contributions的形状为(nobs, k_states, k_states)，其中(t, m, l)-th元素是先验均值的第l个元素对时间t的第m个状态的贡献。如果正在分解平滑信号，那么prior_contributions的形状为(nobs, k_endog, k_states)，其中(t, k, l)-th元素是先验均值的第l个元素对时间t的第k个观测的平滑预测的贡献。

注释

表示在时间 \(t\) 的平滑状态为 \(\alpha_t\)。那么 平滑信号为 \(Z_t \alpha_t\)，其中 \(Z_t\) 是 在时间 \(t\) 起作用的设计矩阵。