statsmodels.tsa.statespace.kalman_smoother.SmootherResults¶

class statsmodels.tsa.statespace.kalman_smoother.SmootherResults(model)[source]¶

对状态空间模型应用卡尔曼平滑器和/或滤波器的结果。

Parameters:¶

modelRepresentation: 状态空间表示

Attributes:¶

nobsint: 观测值的数量。
k_endogint: 观测序列的维度。
k_statesint: 未观测状态过程的维度。
k_posdefint: 描述测量方程中冲击的保证正定协方差矩阵的维度。
dtypedtype: 表示矩阵的数据类型
prefixstr: 表示矩阵的BLAS前缀
shapesdictionary of name:tuple: 一个字典，记录每个表示矩阵的形状作为元组。
endogndarray: 观测向量。
designndarray: 设计矩阵, \(Z\).
obs_interceptndarray: 观测方程的截距，\(d\)。
obs_covndarray: 观测方程的协方差矩阵 \(H\)。
transitionndarray: 转移矩阵, \(T\).
state_interceptndarray: 转换方程的截距，\(c\)。
selectionndarray: 选择矩阵, \(R\).
state_covndarray: 状态方程的协方差矩阵 \(Q\)。
missingarray of bool: 与endog大小相同的数组，填充了布尔值，如果endog中对应条目是NaN则为True，否则为False。
nmissingarray of int: 一个大小为 nobs 的数组，其中第 i 个条目是 endog 数组第 i 行中 NaNs 的数量（介于 0 和 k_endog 之间）。
time_invariantbool: 表示矩阵是否是时间不变的
initializationstr: 卡尔曼滤波初始化方法。
initial_statearray_like: 用于初始化卡尔曼滤波器的状态向量。
initial_state_covarray_like: 用于初始化卡尔曼滤波器的状态协方差矩阵。
filter_methodint: 表示卡尔曼滤波方法的位掩码
inversion_methodint: 表示用于反转预测误差协方差矩阵的方法的位掩码。
stability_methodint: 表示在卡尔曼滤波递归中用于提升数值稳定性的方法的位掩码。
conserve_memoryint: 表示所选内存节省方法的位掩码。
tolerancefloat: 卡尔曼滤波器确定达到稳态的容差。
loglikelihood_burnint: 在记录对数似然度之前的初始周期数。
convergedbool: 卡尔曼滤波器是否收敛。
period_convergedint: 卡尔曼滤波器收敛的时间段。
filtered_statendarray: 每个时间段的过滤状态向量。
filtered_state_covndarray: 每个时间段的滤波状态协方差矩阵。
predicted_statendarray: 每个时间段的预测状态向量。
predicted_state_covndarray: 每个时间段的预测状态协方差矩阵。
kalman_gainndarray: 卡尔曼增益矩阵
forecastsndarray: 每个时间段的观测值的一步预测。
forecasts_errorndarray: 每个时间段的预测误差。
forecasts_error_covndarray: 每个时间段的预测误差协方差矩阵。
loglikelihoodndarray: 每个时间段的似然值。
collapsed_forecastsndarray: 如果使用折叠观测值进行过滤，则在每个时间点存储折叠观测值的一步超前预测。
collapsed_forecasts_errorndarray: 如果使用折叠观测值进行过滤，则在每个时间点存储折叠观测值的一步超前预测误差。
collapsed_forecasts_error_covndarray: 如果使用折叠观测值进行过滤，则在每个时间点存储折叠观测值的一步超前预测误差协方差矩阵。
standardized_forecast_errorndarray: 标准化预测误差
smoother_outputint: 表示生成的卡尔曼平滑输出的位掩码
scaled_smoothed_estimatorndarray: 每个时间段的缩放平滑估计量。
scaled_smoothed_estimator_covndarray: 每个时间段的比例平滑估计协方差矩阵。
smoothing_errorndarray: 每个时间段的平滑误差协方差矩阵。
smoothed_statendarray: 每个时间段的平滑状态。
smoothed_state_covndarray: 每个时间段的平滑状态协方差矩阵。
smoothed_state_autocovndarray: 每个时间段的平滑状态lago-one自协方差矩阵：\(Cov(\alpha_{t+1}, \alpha_t)\)。
smoothed_measurement_disturbancendarray: 每个时间段的平滑测量值。
smoothed_state_disturbancendarray: 每个时间段的平滑状态。
smoothed_measurement_disturbance_covndarray: 每个时间段的平滑测量干扰协方差矩阵。
smoothed_state_disturbance_covndarray: 每个时间段的平滑状态扰动协方差矩阵。

方法

`get_smoothed_decomposition`([...])	将平滑输出分解为来自观测值的贡献
`news`(previous[, t, start, end, ...])	计算与数据发布相关的新闻和影响
`predict`([start, end, dynamic])	样本内和样本外预测通常用于状态空间模型
`smoothed_state_autocovariance`([lag, t, ...])	计算状态向量的自协方差，基于完整数据集
`smoothed_state_gain`(updates_ix[, t, start, ...])	Cov(tilde alpha_{t}, I) Var(I, I)^{-1}
`update_filter`(kalman_filter)	更新过滤结果
`update_representation`(model[, only_options])	更新结果以匹配给定的模型
`update_smoother`(smoother)	更新平滑结果

属性

`kalman_gain`	卡尔曼增益矩阵
`smoothed_forecasts`
`smoothed_forecasts_error`
`smoothed_forecasts_error_cov`
`standardized_forecasts_error`	标准化预测误差

Last update: Oct 16, 2024