[论文解读] The SSM Toolbox for Matlab

Jyh-Ying Peng, John A. D. Aston|ArXiv.org|Jun 23, 2007

Forecasting Techniques and Applications参考文献 6被引用 4

一句话总结

SSM 工具箱为 MATLAB 提供了一个全面的、面向对象的时间序列分析框架，采用状态空间模型，可无缝实现单变量和多变量线性高斯、非高斯及动态模型的构建。该工具箱整合了卡尔曼滤波、平滑、似然估计与参数优化，并对非高斯和非线性情形采用自动近似方法，支持高级功能如 Hillmer-Tiao 分解和 TRAMO 模型选择。

ABSTRACT

State Space Models (SSM) is a MATLAB 7.0 software toolbox for doing time series analysis by state space methods. The software features fully interactive construction and combination of models, with support for univariate and multivariate models, complex time-varying (dynamic) models, non-Gaussian models, and various standard models such as ARIMA and structural time-series models. The software includes standard functions for Kalman filtering and smoothing, simulation smoothing, likelihood evaluation, parameter estimation, signal extraction and forecasting, with incorporation of exact initialization for filters and smoothers, and support for missing observations and multiple time series input with common analysis structure. The software also includes implementations of TRAMO model selection and Hillmer-Tiao decomposition for ARIMA models. The software will provide a general toolbox for doing time series analysis on the MATLAB platform, allowing users to take advantage of its readily available graph plotting and general matrix computation capabilities.

研究动机与目标

• 为时间序列分析中的状态空间建模提供一个灵活、交互式且可扩展的 MATLAB 工具箱。
• 在单一面向对象框架下统一实现线性高斯、非高斯及非线性状态空间模型的实现。
• 在估计过程中对非高斯和非线性模型自动应用近似方法，确保与标准算法的无缝集成。
• 使用户能够以最少的底层编码交互式地构建和组合模型，包括自定义模型和预定义组件。
• 集成高级功能，如用于 ARIMA 模型分量提取的 Hillmer-Tiao 分解和基于 TRAMO 的模型选择。

提出的方法

• 利用 MATLAB 的面向对象编程定义核心类：SSMAT、SSDIST、SSFUNC、SSPARAM 和 SSMODEL，用于模型定义与操作。
• 采用卡尔曼滤波与平滑算法，支持精确初始化、缺失数据及多时间序列处理。
• 在估计过程中对非高斯模型（如泊松分布、t 分布）自动应用高斯近似，通过变换数据（如 ytilde）使线性算法得以适用。
• 通过组合预定义组件（如 'poisson'、'llm'、'seasonal'）实现模型构建，以构建复杂模型如结构时间序列或 ARIMA 分解。
• 实现 Hillmer-Tiao 分解，将航空模型及广义航空模型分解为趋势、季节性和不规则分量。
• 提供函数用于似然评估、参数估计（使用 BFGS 优化）、信号提取及所有模型类型的预测。

实验结果

研究问题

• RQ1 如何设计一个通用的 MATLAB 工具箱，以在最小编码开销下支持标准模型和用户自定义的状态空间模型？
• RQ2 在卡尔曼滤波框架中，如何最有效地将非高斯和非线性状态空间模型与自动近似方法集成？
• RQ3 如何在不同类型的 ARIMA 模型中透明地实现 Hillmer-Tiao 等模型分解技术？
• RQ4 该工具箱在多变量、时变状态空间模型中，能在多大程度上支持共享分析结构的复杂模型？
• RQ5 该工具箱是否能实现在不同模型类型（如高斯、泊松、t 分布）之间无缝切换，而无需修改核心估计或平滑流程？

主要发现

• SSM 工具箱成功实现了对单变量和多变量状态空间模型（包括动态和非高斯模型）的交互式构建与组合。
• 通过自动高斯近似处理泊松分布和 t 分布等非高斯模型，仅在必要时（如指数族情形）应用数据变换（如 ytilde）。
• Hillmer-Tiao 分解函数（ssmhtd）能准确从标准和广义航空模型中提取趋势、季节性和不规则分量，且在各类模型中结果一致。
• 模型估计与状态平滑在所有模型类型中均透明运行，包括用户自定义模型，且似然、参数估计与信号提取接口保持一致。
• 该工具箱支持滤波器与平滑器的精确初始化，可处理缺失观测值，并与 MATLAB 的矩阵计算及绘图功能无缝集成，实现高效分析。
• 实证示例表明该工具箱具有良好的有效性：泊松模型成功捕捉了安全带法规对小型货车司机伤亡人数的影响，t 分布模型则检测到英国天然气需求数据中的重尾异常值。