Question

我想用一个简单的估计一个简单的本地级模型   解释变量及其对应的时变系数   以下状态空间形式：

y（t）= mu（t）+ beta（t）* x（t）+ u（t）   mu（t + 1）= mu（t）+ v（t + 1）   beta（t + 1）= beta（t）+ w（t + 1）

我打算建立一个自定义状态空间模型，但我不确定我是怎么做的   应该分配x（t），解释变量时间序列（pp2中的   例如，nobs x 1）到设计矩阵的一个元素。我把它放在一起   代码为Commandeur和Koopman（2007）第5.1节来说明我的   问题：

import numpy as np
import pandas as pd
from scipy.stats import norm
import statsmodels.api as sm
import matplotlib.pyplot as plt   

xls = pd.ExcelFile('/Users/me/SSData/UK KSI.xlsx'）
df1 = pd.read_excel(xls, sheet_name='Sheet4')
df2 = pd.read_excel(xls, sheet_name='Sheet3')
lKSI_all = df1['ltotal']
pprice = df2['pprice']
pp2 = np.array(pprice)

class LocalExoDet(sm.tsa.statespace.MLEModel):
    def __init__(self, endog, exog):
        super(LocalExoDet, self).__init__(endog, k_states=2, exog=exog)



    self['design',0,0] = 1.0
    self['design',0,1] = self.exog[:]
    self['transition'] = np.array([[1,0],[0,1]])

    self.initialize_approximate_diffuse()
    self.loglikelihood_burn = 1

def param_names(self):
    return ['error_var.obs']

def start_params(self):
    return [np.std(self.endog)]

def transform_params(self, unconstrained):
    return unconstrained**2

def untransform_params(self, constrained):
    return constrained**0.5

def update(self, params, *args, **kwargs):
    params = super(LocalExoDet, self).update(params, *args, **kwargs)

    self['obs_cov', 0, 0] = params[0]

具有解释变量和时变系数的局部模型

0 个答案: