Estimando parâmetros de um modelo linear dinâmico

Desejo implementar (em R) o seguinte Modelo Linear Dinâmico Dinâmico simples, para o qual tenho 2 parâmetros variáveis ​​de tempo desconhecido (a variação do erro de observação e a variação do erro de estado ϵ 2 t ).$\epsilon^1_t$$\epsilon^2_t$

$\begin{matrix} Y_t & = & \theta_t + \epsilon^1_t\\ \theta_{t+1} & = & \theta_{t}+\epsilon^2_t \end{matrix}$

Quero estimar esses parâmetros a cada momento, sem qualquer viés de antecipação . Pelo que entendi, posso usar um MCMC (em uma janela rolante para evitar o viés do futuro) ou um filtro de partículas (ou Sequential Monte Carlo - SMC).

Qual método você usaria e
quais são os prós e os contras desses dois métodos?

Pergunta de bônus: nesses métodos, como você seleciona a velocidade de mudança dos parâmetros? Acho que precisamos inserir uma informação aqui, porque existe uma barganha entre usar muitos dados para estimar os parâmetros e usar menos dados para reagir mais rapidamente a uma alteração no parâmetro?

Se você tem parâmetros variáveis ​​no tempo e deseja fazer as coisas sequencialmente (filtragem), o SMC faz mais sentido. O MCMC é melhor quando você deseja condicionar todos os dados ou possui parâmetros estáticos desconhecidos que deseja estimar. Os filtros de partículas têm problemas com parâmetros estáticos (degenerescência).

Dê uma olhada no pacote dlm e sua vinheta . Acho que você pode encontrar o que procura na vinheta. Os autores pacote também ter escrito um livro Modelos Lineares Dinâmicos com R .

R$T$$(1000 \times (50-1) \times 10) \div 60 \div 24$

Faz vários anos desde que você fez a pergunta, então eu ficaria curioso para saber se você tem uma resposta agora.