UnobservedComponents: как установить границы для обновления параметров?

Question

При установке модели UnobservedComponents возможно ли установить верхние границы для конечных значений параметров состояний?

Мы хотели бы смоделировать байесовский подход для выбора предварительного распределения по штатам и установки конечного значения, чтобы верхняя граница составляла до 20% от исходного значения (например, если мы выберем в качестве предыдущего для локального уровня значение 0,1, то конечное значение будет максимум 0,12).

Мотивация кроется в алгоритме, который мы переносим из R в Python. Когда мы подгоняем модель локального уровня к данным тестовых данных, сигма конечного состояния в конечном итоге составляет около 0,3; в R есть предположение о верхней границе, поэтому конечный результат равен 0,12, что дает значительно разные доверительные интервалы. Сейчас мы пытаемся смоделировать такое же поведение в statsmodels.

Изучив код, мы нашли метод transform_params, который, по-видимому, способен вводить границы в начальное состояние, но мы не уверены, как его использовать для установки верхней границы в 20% (или будет ли это правильный подход).

Answer 1

Только что нашел очень простое и точное решение того, что я искал: мы можем использовать входной параметр bounds, и он уже ограничит границы, где алгоритм подбора будет искать значение оптимума.

Вот пример на случай, если кому-то нужно сделать то же самое:

model = UnobservedComponents(data, level='choose level', exog=more data)
bounds = [(None, None) for _ in range(len(model.param_names))]

Если для оптимизации уровня требуется установить нижнюю границу 0,1 и верхнюю границу 0,12, и это соответствует индексу 1 в model.param_names, это можно сделать так:

bounds[1] = (0.1, 0.12)

Затем просто введите команду fit:

model.fit(bounds=bounds)

Имейте в виду, что эти значения в bounds соответствуют стандартному отклонению параметров, а не его дисперсии.

Это сработало как шарм:)