详细内容或原文请订阅后点击阅览
使用 tfprobability 的动态线性模型
之前的文章介绍了 tfprobability（TensorFlow Probability 的 R 接口），重点介绍了深度神经网络的增强功能（例如，引入贝叶斯不确定性估计）以及使用汉密尔顿蒙特卡罗拟合分层模型。这次，我们将展示如何使用动态线性模型 (DLM) 拟合时间序列，从而得到后验预测以及来自卡尔曼滤波器的平滑和滤波估计。
来源:RStudio AI博客欢迎来到状态空间模型的世界。在这个世界中，存在一个隐藏在我们眼中的潜在过程；并且我们对它产生的事物进行观察。该过程由于某种隐藏的逻辑（转换模型）而演变；并且它产生观察的方式遵循某种隐藏的逻辑（观察模型）。过程演变中有噪声，观察中也有噪声。如果转换和观察模型都是线性的，并且过程和观察噪声都是高斯的，那么我们就有一个线性-高斯状态空间模型 (SSM)。任务是从观察中推断潜在状态。最著名的技术是卡尔曼滤波器。
状态空间模型 潜在过程 观测 过渡模型 观测模型 线性高斯状态空间模型 卡尔曼滤波器在实际应用中，线性高斯 SSM 的两个特性特别有吸引力。
首先，它们让我们能够估计动态变化的参数。 在回归中，参数可以被视为隐藏状态； 因此，我们可能有一个随时间变化的斜率和截距。 当参数可以变化时，我们称之为动态线性模型 (DLM)。 这是我们在本文中提到这类模型时将使用的术语。
动态线性模型其次，线性高斯 SSM 在时间序列预测中很有用，因为可以添加高斯过程。因此，时间序列可以被定义为线性趋势和季节性变化过程的总和。
添加使用 tfprobability（TensorFlow Probability 的 R 包装器），我们在此说明这两个方面。 我们的第一个示例是动态线性回归。 在详细的演练中，我们将展示如何拟合这样的模型，如何获得滤波和平滑的系数估计值，以及如何获得预测。 然后，我们的第二个示例说明了过程可加性。 这个例子将以第一个示例为基础，也可以作为整个过程的快速回顾。
tfprobability 动态线性回归 不是 dlm df <- (