标签：采样 MCMC 填充 kalman space -- SSM Nakajima 缺失

最近学了金融计量，老师说Kalman Filter可以填充缺失值。一般我填充缺失值，赋值-1，或者让树模型自己填充缺失值，对于nn来说，要处理一下缺失值。

这些截图来自《银行家的计量书》，SSM可以提取时间序列中的结构性变化或者不可观测的成分，Dynamic Factor Models(DFM)也属于SSM的范畴，DFM中的共同因子属于不可观测的成分。
在很多参数的情况下，如果直接采用MLE的方法，会导致估计的无效性。我理解的是一般假定正太分布，我们可以求出一个L(\(\theta\)), 然后去 最大化似然函数，得到我们的参数，如果\(\theta\)的维度很高，这样会导致估计的无效。这时有没有什么解决办法？使用Gibbs采样（Gibbs采样是一种特殊的M-H算法），后面如果有时间写一个关于采样的帖子。

这里我有个疑问，如果说对于Nakajima（2011）的文章，MCMC的采样方法是由于MCMC的问题，还是由于对于SV采样的问题，Nakajima（2011）这篇文章相当于一个大综合，设计很多MCMC采样的思路。

一个常系数的SSM：

标签：采样,MCMC,填充,kalman,space,--,SSM,Nakajima,缺失
来源： https://www.cnblogs.com/RankFan/p/16354856.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。