UnobservedComponents：如何设置参数更新的边界？

Question

在拟合UnobservedComponents模型时，是否可以为状态参数的最终值设置上限？

我们想模拟一种贝叶斯方法，用于选择各州的先验分布，并将最终值设置为具有最高初始值的20％的上限（例如，如果我们为本地级别选择先验值，则值为0.1，则最终值最多为0.12）。

背后的动机来自我们从R移植到Python的算法。当我们在给定的测试数据上拟合局部模型时，最终状态sigma最终约为0.3；在R中，存在上限假设，因此最终结果为0.12，这会产生相当大的不同置信区间。现在，我们一直在尝试对statsmodels中的相同行为进行建模。

通过研究代码，我们发现方法transform_params似乎能够在初始状态引入边界，但是我们不确定如何使用它来设置20％的上限（或者是否设置为是正确的方法。

Answer 1

刚刚找到了我所寻找的非常简单而精确的解决方案：我们可以使用输入参数$ valgrind ./a.out ==12820== Memcheck, a memory error detector ==12820== Copyright (C) 2002-2017, and GNU GPL'd, by Julian Seward et al. ==12820== Using Valgrind-3.14.0 and LibVEX; rerun with -h for copyright info ==12820== Command: ./a.out ==12820== ==12820== ==12820== HEAP SUMMARY: ==12820== in use at exit: 0 bytes in 0 blocks ==12820== total heap usage: 1 allocs, 1 frees, 8 bytes allocated ==12820== ==12820== All heap blocks were freed -- no leaks are possible ==12820== ==12820== For counts of detected and suppressed errors, rerun with: -v ==12820== ERROR SUMMARY: 0 errors from 0 contexts (suppressed: 0 from 0) ，它将已经限制了拟合算法搜索最佳值的边界。

下面是一个示例，如果有人需要这样做：

bounds

如果要为级别优化设置0.1的下边界和0.12的上边界，并且它对应于model = UnobservedComponents(data, level='choose level', exog=more data) bounds = [(None, None) for _ in range(len(model.param_names))] 中的索引1，可以这样进行：

model.param_names

然后只需运行bounds[1] = (0.1, 0.12) 命令：

fit

请记住，model.fit(bounds=bounds) 中的这些值对应于参数的标准偏差，而不是其方差。

它就像一种魅力：）