能否让我知道是否可以使用当前的statsmodels SARIMAX代码逐步应用卡尔曼滤波器（以使其更快）？
这是我的意思。想象一下，一个人使用一个[iFitBegin, iFitEnd]中具有索引的数据来拟合SARIMAX模型（＃1），然后一个人想要使用这样的模型来对[iFitEnd+1, iDataEnd]中具有索引的数据进行预测。要在当前代码中做到这一点，似乎必须使用索引为[iFitBegin, iDataEnd]的数据创建一个新的SARIMAX模型（＃2），并使用从模型＃1提取的参数在模型＃2上应用卡尔曼滤波器。之后，可以要求模型2进行预测。但是，如果对流数据进行预测（新数据一次到达一个数据点），则对于大型模型而言，这样做的计算量很大，因为每次都必须重做所有Kalman滤波， iFitBegin到索引iPred（需要进行预测的索引）。在数学上，递增地应用卡尔曼滤波器，即如果对索引iPred进行卡尔曼滤波，则要对索引iPred+1进行滤波，一个人仅需采取iPred的状态，并且仅在iPred+1上使用一个新的数据点来应用卡尔曼滤波器的一个步骤，因此如果也可以在代码中递增地执行它，那就太好了。
请问我是否可以在当前statsmodels SARIMAX实现中进行这种增量式卡尔曼滤波（即一次更新一个状态）？
答案 0 :(得分：1)
现在可以在Statsmodels的开发版本（即Github的master分支）中使用，并且将在0.11版中使用（不过该版本尚无时间表）。
基本上，您将可以执行以下操作：
training_mod = sm.tsa.SARIMAX(training_endog, order=(1, 0, 0))
training_res = training_mod.fit()
# The `extend` call will only apply the Kalman filter to the
# updated_endog
extended_res = training_res.extend(updated_endog)
fcasts = extended_res.forecast()
请注意，这不会不重新估算参数，但是，您可以扩展当前结果以容纳一组更新的观测值，而不必在{ {1}}示例。
有关其他详细信息，请参见https://www.statsmodels.org/devel/examples/notebooks/generated/statespace_forecasting.html。