卡爾曼濾波器是否總是優於線性回歸？

如果我有一個具有統計意義的簡單線性回歸，但我想改進整體預測結果。卡爾曼濾波器是否總是一種改進，或者至少達到與線性回歸相似的結果？

編輯：

相關主題： 如何調整卡爾曼濾波器的參數？

該問題沒有“是/否答案”。一般來說，卡爾曼濾波器往往比線性回歸更好，但一切都取決於

1. 您擁有的數據，
2. 你如何校准你的模型。

我希望您已經使用了一些庫來估計線性回歸參數。現在您需要考慮如何“調整”卡爾曼濾波器 - 常數 F、H、R、Q。請參閱卡爾曼濾波器的 Wiki 頁面。我問了一個相關的問題，並且卡爾曼濾波器參數調整不像線性回歸範例中那麼容易。

一般規則是——簡單的模型往往比複雜的模型好。看看Makridakis Competitions的名言。

“對學術方法在現實世界中的表現最有趣的測試是由 Spyros Makridakis 提供的，他在職業生涯的一部分時間裡管理預測者之間的競爭，這些預測者採用一種稱為計量經濟學的“科學方法”——一種將經濟理論與統計測量相結合的方法簡而言之，他讓人們在現實生活中進行預測，然後判斷他們的準確性。這導致他在 Michele Hibon 的幫助下完成了一系列“M-競賽”，其中 M3 是第三個也是最近的一個，完成了1999 年，Makridakis 和 Hibon 得出了一個悲慘的結論，即“統計上複雜和復雜的方法不一定比簡單的方法提供更準確的預測。”

卡爾曼濾波器沒有魔法。線性回歸模型通常假設係數遵循隨機遊走，因此它基本上歸結為估計，然後對係數進行指數平滑。

引用自：https://quant.stackexchange.com/questions/20823