Particle filtering for nonlinear state space models
Particle filtering for nonlinear state space models
Enllaç permanent
Descripció
Resum
This paper studies a novel particle filter method proposed by Brownlees and Kristensen (2017) for parameter estimation of nonlinear state space models. The particle filter, named Importance Sampling Particle Filter, is tested and compared to other established particle filters on two variations of a local level model. Inspections of the log-likelihood plots with respect to model parameters, as well as Monte Carlo maximum likelihood estimations establish the correctness of the new method. Finally, the novel particle filter is successfully applied to a nonlinear state space model, the hierarchical dynamic Poisson model.
Aquest article estudia un nou mètode de filtre de partícules proposat per Brownlees i Kristensen (2017) per a l'estimació de paràmetres de models no lineals d'espai estatal. El filtre de partícules, anomenat Importance Sampling Particle Filter, es prova i es compara amb altres filtres de partícules establerts en dues variacions d'un model de nivell local. Les inspeccions de les trames de risc de registre respecte als paràmetres del model, així com les estimacions de màxima versemblança de Monte Carlo, estableixen la correcció del nou mètode. Finalment, el filtre de partícules nou s'aplica amb èxit a un model d'espai estatal no lineal, el model Poisson dinàmic jeràrquic.Descripció
Treball fi de màster de: Master's Degree in Data Science. Curs 2016-2017
Director: Christian BrownleesCol·leccions
Mostra el registre complet