Quelqu'un a-t-il un bon exemple de prévision / lissage de séries chronologiques à l'aide du filtre de Kalman dans R?
Avez-vous consulté la vue des tâches de la série chronologique au CRAN?
Il répertorie plusieurs entrées pour les packages couvrant le filtrage Kalman:
et plus encore car il s'agit d'une technique assez courante pour l'estimation des séries chronologiques.
En plus des packages mentionnés dans d'autres réponses, vous voudrez peut-être examiner les prévisions de package qui traitent d'une classe particulière de modèles moulés sous forme d'espace d'état et le package MARSS avec des exemples et des applications en biologie (voir en particulier le manuel bien écrit , Chap.5).
Pour les applications générales, je suis d'accord, cependant, avec les réponses précédentes, avec dlm étant à mon avis un package polyvalent et puissant (bien décrit dans le livre Dynamic Linear Models in R , par Petris et al.), KFAS offrant des routines qui implémentent le plus des algorithmes décrits dans l'excellente analyse des séries temporelles par les méthodes de l'espace d'état et FKF avec des installations limitées et aucun exemple, mais étant les plus rapides.
Pour de bons exemples, regardez la vignette dlm. J'éviterais tous les autres packages si vous n'avez pas une idée claire de ce que vous voulez faire et comment.
la source
dlmet sa vignette. L'essentiel est que les DLM ressemblent beaucoup plus à la programmation que la plupart des autres méthodes. Si vous avez l'intention de faire autre chose que la modélisation et les prévisions de base, vous devrez comprendre les matrices (programmes spatiaux d'état dans un certain sens) et les méthodes quidlmsont générées pour vous. La plupart des autres packages gèrent le traitement de vos matrices mais attendez-vous à ce que vous compreniez comment les faire.Le package stsm est désormais disponible sur CRAN. Le package propose quelques utilitaires pour s'adapter au modèle de base de séries chronologiques structurelles.
Les packages mentionnés dans d'autres réponses fournissent des interfaces flexibles pour diffuser une large gamme de modèles de séries temporelles sous forme d'espace d'état et donner des implémentations solides du filtre de Kalman. Cependant, à mon avis, peu d'attention est accordée à la procédure qui optimise la fonction de vraisemblance. Un algorithme à usage général - l'algorithme L-BFGS-B - est généralement utilisé. Le
stsmpackage améliore la procédure standard et fournit des algorithmes spécifiques pour s'adapter au modèle structurel de base.De plus amples détails sont donnés dans le document fourni avec le colis. Pour un exemple rapide, vous pouvez également voir ce post .
la source