Welche Vorteile bietet es, ein ARMA-Modell als Zustandsraummodell auszudrücken und Prognosen mit einem Kalman-Filter durchzuführen?
Diese Methode wird beispielsweise bei der SARIMAX-Implementierung von Python-Statistikmodellen verwendet:
https://github.com/statsmodels/statsmodels/tree/master/statsmodels/tsa/statespace
Antworten:
Für mich ist einer der Hauptvorteile der Umgang mit fehlenden Daten und ungleichmäßigen Zeitschritten. Der Kalman-Filter verarbeitet die fehlenden Beobachtungen leicht und kann tatsächlich verwendet werden, um sie zu unterstellen.
OLS und MLE verarbeiten fehlende Daten nicht so einfach, und nicht jedes Paket unterstützt diese Funktion im Gegensatz zum Kalman-Filter.