Particle filtering for nonlinear state space models

Höllwirth, Hans-Peter

Particle filtering for nonlinear state space models

Licencia

Citación

Höllwirth, H. Particle filtering for nonlinear state space models. 2017. handle: http://hdl.handle.net/10230/33512

Esta cita se ha generado automáticamente.

Resumen

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.