python 状态空间模型_R语言状态空间模型：卡尔曼滤波器KFAS建模时间序列

1 时间序列

时间序列是指同一种现象在不同时间上的相继观察值排列而成的一组数字序列。统计学上，一个时间序列即是一个随机过程的实现。时间序列按其统计特性可以分为平稳时间序列和非平稳时间序列两类。在实际生活中遇到的序列，大多数是不平稳的。

说明：如果一个序列的平均值和方差始终为常数，则它是平稳的。在估计时间序列模型之前需把不平稳的时间序列转化为平稳序列。判断一个时间序列的平稳性可通过数据图和自相关函数图，如果数据图呈现线性或二次趋势形状，则该时间序列是不平稳的;如果自相关函数在前面少数几个值后下降趋向于0，则序列是平稳的。如果在前几个值后，自相关函数没有下降趋向于0，而是逐次减少，且值的大小超出固定的随机期间，则序列不平稳。

2 状态空间模型

如前所述，在现实生活中，数据的出现大多数是以非平稳形式，这涉及到动态数据所构成的时间序列的分解。分解时间序列的目的旨在估计和抽取确定性成分Tt(长期趋势),St(季节项),Ct(循环项),以使残量It(随机项)是一平稳过程。进而求得关于随机项的合适概率模型，分析它的性质，并连同Tt,St,Ct达到拟合和预报的目的。状态空间模型即可对时间序列进行分解，将Tt,St,Ct及It从时间序列中分离出来。

2.1 时间序列的状态空间描述

一般的，一个时间序列{yt}可以直接或经过函数变换后分解为如下的加法模型或乘法模型形式：

其中，(Tt)表长期趋势，( St)是季节项，(Ct)是循环项，(It)表不规则项，对于趋势明显为指数增长，且季节波动幅度也随时间增加的序列，一般采用乘法模型。