Dadas todas as boas propriedades dos modelos de espaço de estado e KF, pergunto-me - quais são as desvantagens da modelagem de espaço de estado e do uso do Kalman Filter (ou EKF, UKF ou filtro de partículas) para estimativa? Vamos dizer que metodologias convencionais como ARIMA, VAR ou métodos ad-hoc / heurísticos.
Eles são difíceis de calibrar? Eles são complicados e difíceis de ver como uma mudança na estrutura de um modelo afetará as previsões?
Ou, dito de outra maneira - quais são as vantagens do ARIMA, VAR convencional sobre os modelos de espaço de estado?
Só consigo pensar nas vantagens de um modelo de espaço de estado:
- Ele lida facilmente com quebras estruturais, mudanças, parâmetros variáveis no tempo de algum modelo estático - apenas torne esses parâmetros estados dinâmicos de um modelo de espaço de estado e o modelo se ajustará automaticamente a qualquer mudança nos parâmetros;
- Ele lida com os dados ausentes com muita naturalidade, basta fazer o passo de transição do KF e não o passo de atualização;
- Ele permite alterar os parâmetros dinâmicos de um modelo de espaço de estados (covariâncias de ruídos e matrizes de transição / observação); portanto, se sua observação atual veio de uma fonte um pouco diferente das outras - você pode facilmente incorporá-lo à estimativa sem fazer isso. qualquer coisa especial;
- Usando as propriedades acima, ele permite manipular facilmente dados com espaçamento irregular: altere um modelo a cada vez de acordo com o intervalo entre as observações ou use o intervalo regular e trate os intervalos sem observações como dados ausentes;
- Permite usar dados de diferentes fontes simultaneamente no mesmo modelo para estimar uma quantidade subjacente;
- Permite construir um modelo a partir de vários componentes dinâmicos não observáveis interpretáveis e estimar;
- Qualquer modelo ARIMA pode ser representado em um formato de espaço de estado, mas apenas modelos simples de espaço de estado podem ser representados exatamente no formato ARIMA.