statsmodels.tsa.statespace.simulation_smoother.SimulationSmoother.设置反转方法¶

SimulationSmoother.set_inversion_method(inversion_method=None, **kwargs)¶

设置反演方法

卡尔曼滤波器可能包含一个矩阵求逆：即预测误差协方差矩阵的求逆。求逆方法控制如何以及是否执行该逆运算。

Parameters:¶

inversion_methodint, optional

设置反转方法的位掩码值。详见注释。

**kwargs

关键字参数可用于通过设置单个布尔标志来影响反演方法。详情请参阅注释。

注释

反演方法由一组布尔标志定义，并在内部存储为位掩码。可用的方法有：

INVERT_UNIVARIATE

如果内生时间序列是单变量的，那么可以通过简单的除法进行反演。如果设置了此标志并且时间序列是单变量的，那么即使设置了其他标志，也将始终使用除法。

SOLVE_LU

使用LU分解以及线性求解器（而不是实际求逆矩阵）。

INVERT_LU

使用LU分解以及典型的矩阵求逆方法。

SOLVE_CHOLESKY

使用Cholesky分解以及线性求解器。

INVERT_CHOLESKY

使用Cholesky分解以及典型的矩阵求逆。

如果通过inversion_method参数直接设置位掩码，则必须提供完整的方法。

如果使用关键字参数来设置单个布尔标志，那么必须使用方法的小写形式作为参数名称，并且值是布尔标志所需的值（True 或 False）。

请注意，反转方法也可以通过直接修改类属性来指定，这些属性定义类似于关键字参数。

默认的反演方法是 单变量反演 | 解Cholesky

需要记住的几点是：

• 如果指定的过滤方法是单变量的，那么无论内生时间序列的维度如何，总是使用简单的除法。

• Cholesky 分解的速度大约是 LU 分解的两倍，但它要求矩阵是正定的。虽然这通常应该是正确的，但在某些情况下可能不成立。

• 使用线性求解器而不是真正的矩阵求逆通常更快，并且在数值上更稳定。

示例

>>> mod = sm.tsa.statespace.SARIMAX(range(10))
>>> mod.ssm.inversion_method
1
>>> mod.ssm.solve_cholesky
True
>>> mod.ssm.invert_univariate
True
>>> mod.ssm.invert_lu
False
>>> mod.ssm.invert_univariate = False
>>> mod.ssm.inversion_method
8
>>> mod.ssm.set_inversion_method(solve_cholesky=False,
...                              invert_cholesky=True)
>>> mod.ssm.inversion_method
16