状態空間モデルにおける状態推定

状態空間モデルにおいて、観測値 y1, y2, .., yt が与えられたとき、状態 xi (i = 1, 2, ..., t-1, t, t+1, ...) を推定することができる。観測値 y1, y2, .., yt のもとで推定された、状態 xt の分布をフィルタ分布(フィルタリング分布)、xr (r < t) の分布を平滑化分布、xs (s > t) の分布を予測分布と呼ぶ。

フィルタ分布

いま、観測値 y1, y2, .., yt が与えられ、また状態方程式および観測方程式のパラメーターも既知とする。このとき、フィルタ分布は次のように求めることができる。

p(xt|y1:t)=p(xt|yt,yt1)

ここで、条件付き確率の関係を用いて、

p(xt|y1:t)=p(xt,yt|y1:t1)p(yt|yt1)=p(yt|xt,y1:t1)p(xt|y1:t1)p(yt|yt1)

状態空間モデルにおいて、観測値 yt は、状態 xt のみに依存するので、

p(xt|y1:t)=p(yt|xt)p(xt|y1:t1)p(yt|yt1)

このとき、p(xt | y1:t-1) を 1 期先予測分布、p(yt | yt-1) を 1 期先予測尤度という。

1 期先予測尤度と状態 xt の関係を示すために、状態 xt に関して周辺化を行う。(xt に関して周辺化を行うことで、xt が取りうるすべての値において、その値となる確率を積分しているので、xt に関して周辺化すると確率変数 xt に関しては 1 となる。よって次の式の 1 行目が成り立つ。)

p(yt|yt1)=p(yt,xt|y1:t1)dxt=p(yt|xt,y1:t1)p(xt|y1:t1)dxt=p(yt|xt)p(xt|y1:t1)dxt

以上の式変形により、観測値 y1, y2, .., yt が与えられたとき、フィルタ分布は次の式で表せるようになる。

p(xt|y1:t)=p(yt|xt)p(xt|y1:t1)p(yt|xt)p(xt|y1:t1)dxt

平滑化分布

観測値 y1, y2, .., yt が与えられ、また状態方程式および観測方程式のパラメーターも既知とする。このとき、状態 xr (r < t) における平滑化分布 p(xr | y1:t) を求めるには、時点 t までのフィルタ分布が求まり、時点 t から時間を遡って求めることになる。そのため、平滑化分布 p(xr | y1:t) と状態 xr+1 の関係を明らかにして、漸化式を作っていく必要がある。ここで、まず平滑化分布 p(xr | y1:t) に対して xr+1 で周辺化を行なってから、式変更して行なっていく。

p(xr|y1:t)=p(xr,xr+1|y1:t)dxr+1=p(xr|xr+1,y1:t)p(xr+1|y1:t)dxr+1=p(xr|xr+1,y1:r)p(xr+1|y1:t)dxr+1=p(xr,xr+1|y1:r)p(xr+1|y1:r)p(xr+1|y1:t)dxr+1=p(xr+1|xr,y1:r)p(xr|y1:r)p(xr+1|y1:r)p(xr+1|y1:t)dxr+1=p(xr+1|xr)p(xr|y1:r)p(xr+1|y1:r)p(xr+1|y1:t)dxr+1=p(xr|y1:r)p(xr+1|xr)p(xr+1|y1:r)p(xr+1|y1:t)dxr+1

予測分布

観測値 y1, y2, .., yt が与えられ、また状態方程式および観測方程式のパラメーターも既知とする。このとき、状態 xs (s > t) における予測分布 p(xs | y1:t) を求めるには、時点 t までのフィルタ分布が求まり、時点 t+1, t+2, ..., s-1, s のように逐次的に状態の予測分布を求めていく必要がある。そのため、予測分布 p(xs | y1:t) と状態 xs-1 の関係を明らかにして漸化式を作って必要がある。ここで、予測分布 p(xs | y1:t) に対して xs-1 で周辺化を行う。

p(xs|y1:t)=p(xs,xs1|y1:t)dxs1=p(xs|xs1,y1:t)p(xs1|y1:t)dxs1=p(xs|xs1)p(xs1|y1:t)dxs1

References

  • 深谷 肇一. 状態空間モデルによる時系列解析とその生態学への応用. 日本生態学会誌. 2016, 66:375-389. DOI: 10.18960/seitai.66.2_375
  • 萩原 淳一郎, 瓜生 真也, 牧山 幸史, 石田 基広. 基礎からわかる時系列分析―Rで実践するカルマンフィルタ・MCMC・粒子フィルタ(第 6 章). 技術評論社. 2018.