目  录

1.引言

2.局部水平模型

2.1 引言

2.2 滤波

2.3 预测误差

2.4 状态平滑

2.5 扰动平滑

2.6 模拟

2.7 缺失观测

2.8 预测

2.9 初始化

2.10 参数估计

2.11 稳态

2.12 诊断检查

2.13 练习

3.线性高斯状态空间模型

3.1 引言

3.2 一元结构时间序列模型

3.3 多元结构时间序列模型

3.3.1 同质模型

3.4 ＡＲＭＡ模型和ＡＲＩＭＡ模型

3.5 指数平滑

3.6 回归模型

3.7 动态因子模型

3.8 连续时间状态空间模型

3.9 样条平滑

3.10 状态空间分析的深入评论

3.11 练习

4.滤波、平滑和预测

4.1 引言

4.2 多元回归理论的基本结果

4.3 滤波

4.4 状态平滑

4.5 扰动平滑

4.6 其他状态平滑算法

4.7 平滑估计的协方差矩阵

4.8 权重函数

4.9 模拟平滑

4.10 缺失观测

4.11 预测

4.12 观测向量的维度

4.13 基本结果的矩阵形式

4.14 练习

5.滤波和平滑的初始化

5.1 引言

5.2 卡尔曼滤波的精确初始化

5.3 状态平滑的精确初始化

5.4 扰动平滑的精确初始化

5.5 精确初始模拟平滑

5.6 一些模型初始条件案例

5.7 增广卡尔曼滤波和平滑

6.深入计算方面

6.1 引言

6.2 回归估计

6.3 平方根滤波和平滑

6.4 多元序列的一元处理

6.5 大型观测向量的收缩

6.6 线性约束下的滤波与平滑

6.7 状态空间方法的计算机软件包

7.参数极大似然估计

7.1 引言

7.2 似然评估

7.3 参数估计

7.4 拟合优度

7.5 诊断检查

8.线性高斯模型应用的演示

8.1 引言

8.2 结构时间序列分析

8.3 二元结构时间序列分析

8.4 Ｂｏｘ－Ｊｅｎｋｉｎｓ分析

8.5 平滑样条

8.6 动态因子分析

9.非线性和非高斯模型特例

9.1 引言

9.2 线性高斯信号模型

9.3 指数簇模型

9.4 厚尾分布

9.5 随机波动模型

9.6 其他金融模型

9.7 非线性模型

10.近似滤波与平滑

10.1 引言

10.2 扩展卡尔曼滤波

10.3 无迹卡尔曼滤波

10.4 非线性平滑

10.5 通过数据转换的近似

10.6 通过模估计的近似

10.7 模估计的深入发展

10.8 厚尾分布处理

11.平滑的重要性采样

11.1 引言

11.2 重要性采样的基本思想

11.3 重要性密度的选择

11.4 重要性采样的实现细节

11.5 估计状态向量的函数

11.6 估计对数似然值和参数

11.7 重要性采样的权重和诊断

12.粒子滤波

12.1 引言

12.2 重要性采样的滤波

12.3 序贯重要性采样

12.4 自举粒子滤波

12.5 辅助粒子滤波

12.6 粒子滤波的其他实现

12.7 Ｒａｏ－Ｂｌａｃｋｗｅｌｌｉｓａｔｉｏｎ

13.贝叶斯参数估计

13.1 引言

13.2 线性高斯模型的后验分析

13.3 非线性非高斯模型的后验分析

13.4 马尔可夫链蒙特卡洛方法

14 非高斯和非线性演示

14.1 引言

14.2 非线性分解：英国居民出国旅行

14.3 泊松密度：英国面包车司机死亡

14.4 厚尾密度：天然气消费异常

14.5 波动：英镑兑美元日汇率

14.6 二进制密度：牛津剑桥划船比赛

参考文献