状態空間モデルでは、状態と観測値の 2 つの変数で構成される。t 時点で観測される観測値 yt は状態 xt から生成されると定義する。そして、状態 xt は、状態 xt-1 のみに依存して定まる。これらのことを方程式で表すと次のようになる。
\[ \mathbf{x}_{t} = g(\mathbf{x}_{t-1}, \mathbf{w}_{t}) \] \[ y_{t} = f(\mathbf{x}_{t-1}, v_{t}) \]状態空間モデルにおいて、観測値 y1, y2, ..., yT は、パラメーター θ のもとで生成されたと考えることができる。ここでいうパラメーターとは、方程式の関数 g や h の係数や vt の分散などとする。このとき、観測値の同時分布を p(y1:T; θ ) とかける。
逆に考えて、観測値 y1, y2, ..., yT が与えられたとき、パラメーター θ の分布関数は f(θ; y1:T) と書くことができる。いま、与えられたデータから、尤もらしいパラメーターを推測するには、この分布関数（尤度関数）を最大にするパラメーター値を求めればいい。
\[ \begin{eqnarray} L(\boldsymbol{\theta};y_{1:T}) &=& f(\boldsymbol{\theta}; y_{1:T}) \\ &=& p(y_{1:T}; \boldsymbol{\theta}) \\ &=& p(y_{T}, y_{1:T-1}; \boldsymbol{\theta}) \\ &=& p(y_{T} | y_{1:T-1}; \boldsymbol{\theta}) p(y_{1:T-1}; \boldsymbol{\theta}) \\ &=& \cdots \\ &=& \prod_{t=2}^{T}p(y_{t}|y_{t-1}; \boldsymbol{\theta})p(y_{1};\boldsymbol{\theta}) \end{eqnarray} \]実際のパラメーター推定において、尤度関数を利用する代わりに、計算しやすい対数尤度を用いる。
\[ l(\boldsymbol{\theta};y_{1:T}) = \sum_{t=2}^{T}\log p(y_{t}|y_{t-1}; \boldsymbol{\theta}) \log p(y_{1};\boldsymbol{\theta}) \]このように、パラメーターは、尤度関数を利用して観測値から推定される。ただし、これはパラメーターに関して制約条件がつけられるときである。例えば、パラメーターに関して線形で正規分布を仮定する必要がある。パラメーターに制約条件をつけられないとき、ベイズ推定を用いて、パラメーター（と状態の両方を同時に）を推定していく必要がある。