Ứng dụng bộ lọc Kalman trong ước lượng Recursive estimation applications Giới thiệu Chào mừng các bạn đã quay trở lại! Trong bài học trước, chúng ta đã cùng nhau tìm hiểu về cấu trúc lý thuyết của mô hình không gian trạng thái và cơ chế hoạt động hai bước của bộ lọc Kalman. Có thể bạn sẽ cảm thấy lý thuyết đó hơi trừu tượng, nhưng hôm nay, chúng ta sẽ biến những công thức đó thành các công cụ ứng dụng cực kỳ mạnh mẽ. Bài học này sẽ tập trung vào một trong những ứng dụng quan trọng nhất của bộ lọc Kalman trong kinh tế lượng: ước lượng đệ quy (recursive estimation). Vậy ước lượng đệ quy là gì và tại sao nó lại hữu ích? Trong các khóa học kinh tế lượng cơ bản, chúng ta thường ước lượng một mô hình (ví dụ OLS) trên toàn bộ mẫu dữ liệu cùng một lúc. Tuy nhiên, trong thực tế, dữ liệu thường đến một cách tuần tự theo thời gian (ví dụ: dữ liệu …
Các bài đã xem
- Các mô hình xu hướng phi tuyến nâng cao
- Tổng hợp và hệ thống hóa kiến thức
- Thực hành Stata tổng hợp từ A đến Z
- Hướng dẫn thực hành toàn diện với Stata
- Tổng hợp và hệ thống hóa kiến thức
- Kiểm định tính phi tuyến và mô hình bổ sung
- Xử lý tự tương quan và mô hình trễ phân bố
- Mô hình hóa tính thời vụ và kỹ thuật dự báo
- Quy trình xây dựng mô hình Box-Jenkins
- Tổng hợp và mở rộng kiến thức
- Tổng hợp và kết nối kiến thức
- Nền tảng mô hình không gian trạng thái
- Phân tách thời vụ với phương pháp nâng cao
- Nền tảng của phương pháp Box-Jenkins
- Nền tảng mô hình hồi quy động
- 12. Phương pháp chuỗi thời gian đa biến, VAR/VEC
- 7. Tự tương quan trong mô hình hồi quy
-
Xem thêm