การประมาณพารามิเตอร์ของโมเดลเชิงเส้นแบบไดนามิก

ฉันต้องการที่จะใช้ (ใน R) แบบจำลองเชิงเส้นตรงแบบง่าย ๆ ดังต่อไปนี้ซึ่งฉันมี 2 ตัวแปรที่ไม่รู้จักเวลา (ความแปรปรวนของข้อผิดพลาดการสังเกตและความแปรปรวนของข้อผิดพลาดของรัฐϵ 2 t )$\epsilon^1_t$$\epsilon^2_t$

$\begin{matrix} Y_t & = & \theta_t + \epsilon^1_t\\ \theta_{t+1} & = & \theta_{t}+\epsilon^2_t \end{matrix}$

ฉันต้องการที่จะประมาณค่าพารามิเตอร์เหล่านี้ที่จุดในแต่ละครั้ง, โดยไม่ต้องมีอคติมองไปข้างหน้า จากสิ่งที่ฉันเข้าใจฉันสามารถใช้ MCMC (บนหน้าต่างกลิ้งเพื่อหลีกเลี่ยงอคติข้างหน้า) หรือตัวกรองอนุภาค (หรือ Sequential Monte Carlo - SMC)

วิธีการที่คุณจะใช้และ
อะไรคือข้อดีและข้อเสียของทั้งสองวิธี?

คำถามโบนัส: ในวิธีการเหล่านี้คุณจะเลือกความเร็วของการเปลี่ยนแปลงพารามิเตอร์ได้อย่างไร ฉันเดาว่าเราต้องป้อนข้อมูลที่นี่เพราะมีการต่อรองระหว่างการใช้ข้อมูลจำนวนมากเพื่อประเมินพารามิเตอร์และใช้ข้อมูลน้อยลงเพื่อตอบสนองต่อการเปลี่ยนแปลงของพารามิเตอร์ได้เร็วขึ้นหรือไม่

หากคุณมีพารามิเตอร์ที่แตกต่างกันไปตามเวลาและต้องการทำสิ่งต่าง ๆ ตามลำดับ (การกรอง) SMC ก็เหมาะสมที่สุด MCMC จะดีกว่าเมื่อคุณต้องการกำหนดเงื่อนไขกับข้อมูลทั้งหมดหรือคุณมีพารามิเตอร์สแตติกที่ไม่รู้จักที่คุณต้องการประเมิน ตัวกรองอนุภาคมีปัญหากับพารามิเตอร์คงที่ (ความเสื่อม)

มีลักษณะที่เป็นDLMแพคเกจและบทความ ฉันคิดว่าคุณอาจพบสิ่งที่คุณกำลังมองหาจากบทความสั้น ผู้เขียนแพคเกจยังได้เขียนหนังสือแบบไดนามิกแนวตรงรุ่นกับ R

R$T$$(1000 \times (50-1) \times 10) \div 60 \div 24$

เป็นเวลาหลายปีแล้วที่คุณถามคำถามดังนั้นฉันอยากรู้ว่าคุณมีคำตอบหรือไม่