欠損値を含む状態空間モデル [時系列解析 / 需要予測]
通常の時系列モデルの場合は、欠損値を含む場合は、モデリングするのが難しいです。
状態空間モデルを使うと、欠損値を含むデータに対してもモデリングできるのがメリットです。
方針というのはこんな感じです。
(状態モデル)
→ データ(観測データ)が欠損していても、状態はそのまま推移していると考える。
for(i in 2:T) {
mu[i] ~ normal(mu[(i-1)], sd_a);
}
(観測モデル)
→ 観測モデルは、状態モデルから推定されるので、観測できている時点の状態データを持ってくる。
for(i in 1:len_obs) {
y[i] ~ normal(mu[obs_no[i]], sd_v);
}
状態空間モデルを使うと、欠損値を含むデータに対してもモデリングできるのがメリットです。
方針というのはこんな感じです。
(状態モデル)
→ データ(観測データ)が欠損していても、状態はそのまま推移していると考える。
for(i in 2:T) {
mu[i] ~ normal(mu[(i-1)], sd_a);
}
(観測モデル)
→ 観測モデルは、状態モデルから推定されるので、観測できている時点の状態データを持ってくる。
for(i in 1:len_obs) {
y[i] ~ normal(mu[obs_no[i]], sd_v);
}