The Kalman filter formula, given by the linear recursive algorithm, is usually used for estimation of the time-varying parameter model. The filtering formula, introduced by Kalman (I960) and Kalman and Bucy (1961), requires the initial state variable. The obtained state estimates are influenced by the initial value when the initial variance is not too large. To avoid the choice of the initial state variable, in this paper we utilize the diffuse prior for the initial density. Moreover, using the Gibbs sampler, random draws of the state variables given all the data are generated, which implies that random draws are generated from the fixed-interval smoothing densities. Using the EM algorithm, the unknown parameters included in the system are estimated. As an example, we estimate a traditional consumption function for both the U.S. and Japan.
ترجمه فارسی (ترجمه ماشینی)
فرمول فیلتر کالمن که توسط الگوریتم بازگشتی خطی ارائه می شود، معمولاً برای تخمین مدل پارامتر متغیر با زمان استفاده می شود. فرمول فیلتر که توسط Kalman (I960) و Kalman and Bucy (1961) معرفی شد، به متغیر حالت اولیه نیاز دارد. زمانی که واریانس اولیه خیلی زیاد نباشد، تخمین حالت بهدستآمده تحت تأثیر مقدار اولیه قرار میگیرد. برای جلوگیری از انتخاب متغیر حالت اولیه، در این مقاله از دیفیوز قبل برای چگالی اولیه استفاده میکنیم. علاوه بر این، با استفاده از نمونهگر گیبس، قرعهکشیهای تصادفی از متغیرهای حالت با توجه به تمام دادهها تولید میشوند، که به این معنی است که قرعهکشیهای تصادفی از چگالیهای هموارسازی با بازههای ثابت ایجاد میشوند. با استفاده از الگوریتم EM، پارامترهای ناشناخته موجود در سیستم تخمین زده می شوند. به عنوان مثال، ما یک تابع مصرف سنتی را برای ایالات متحده و ژاپن تخمین می زنیم.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.