A Quadratic Kalman Filter
二次卡尔曼滤波器AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究高斯 VAR 潜在因子的状态空间滤波，直接对应时间序列与因子模型方法，但未说明具体宏观应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
二次卡尔曼滤波器
- 研究问题
- 当观测变量是潜在因子的二次函数、因子服从高斯 VAR 时，如何构造计算简便的非线性状态空间滤波和平滑方法？
- 方法与思路
- 作者将因子向量及其外积的向量化形式合并为增广状态，利用闭式条件矩和无条件矩，构造二次卡尔曼滤波与平滑算法。
- 材料陈述的贡献
- 摘要称，模拟中滤波值的 RMSE 改善最高达 70%，基于该方法的极大似然估计相较替代方法具有更低偏差或 RMSE。
- 阅读关注点
- 应核对观测方程和噪声设定、增广状态的矩推导、似然计算方式，以及模拟比较中参数配置与计算成本是否具有可比性。
- 阅读边界
- 仅据所给 RePEc 出版社摘要；模拟优势不能直接推广至任意非线性模型，摘要未说明全部条件，也不据此推断版本变化。
原文摘要
We propose a new filtering and smoothing technique for non-linear state-space models. Observed variables are quadratic functions of latent factors following a Gaussian VAR. Stacking the vector of factors with its vectorized outer-product, we form an augmented state vector whose first two conditional moments are known in closed-form. We also provide analytical formulae for the unconditional moments of this augmented vector. Our new Quadratic Kalman Filter (Qkf) exploits these properties to formulate fast and simple filtering and smoothing algorithms. A simulation study first emphasizes that the Qkf outperforms the extended and unscented approaches in the filtering exercise showing up to 70% RMSEs improvement of filtered values. Second, it provides evidence that Qkf-based maximum-likelihood estimates of model parameters always possess lower bias or lower RMSEs than the alternative estimators.