Monitoring von ökologischen und biometrischen Prozessen mit statistischen Filtern

  • Sylvia Frühwirth-Schnatter
Conference paper
Part of the Medizinische Informatik, Biometrie und Epidemiologie book series (MEDINFO, volume 74)

Zusammenfassung

Diese Arbeit ist ein Uberblick über die Ideen und Methoden der dynamischen stochastischen Modellierung von normalverteilten und nicht-normalverteilten Prozessen. Nach einer Einführung der allgemeinen Modellform werden Aussagemöglichkeiten wie Filtern, Glätten und Vorhersagen diskutiert und das Problem der Identifikation unbekannter Hyperparameter behandelt. Die allgemeinen Ausführungen werden an zwei Fallstudien, einer Zeitreihe des mittleren jährlichen Grundwasserspiegels und einer Zeitreihe von Tagesmittelwerten von SO2-Emissionen illustriert.

Schlüsselworte

Data-Augmentation dynamische stochastische Modelle dynamisches Trendmodell Filtern Gauß-Hermite-Integration Glätten Kaiman-Filter Monitoring Multi-Prozeß-Filter Steady-State-Modell Trendanalyse Vorhersagen. 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1]
    Abramowitz, M. u. Stegun, I.: Handbook of Mathematical Functions. National Bureau of Standards, New York, 1970.Google Scholar
  2. [2]
    Akaike, H.: Canonical Correlation Analysis of Time Series and the Use of an Information Criterion. In: R. K. Mehra u. D. G. Lainiotis (Hrsg.), Advances and Case Studies in System Identification, 27–96. Academic Press, New York, 1976.CrossRefGoogle Scholar
  3. [3]
    Anderson, B. O. D. u. Moore, J. B.: Optimal Filtering. Englewood Cliffs, Prentice Hall, 1979.MATHGoogle Scholar
  4. [4]
    Beck, M. B.: Water Quality Modeling-A Review of the Analysis of Uncertainty. Water Resources Research, 1983, 23, 8, 1393–1442.CrossRefGoogle Scholar
  5. [5]
    Beck, M. B. u. Van Straten, G. (Hrsg.): Uncertainty and Forecasting of Water Quality. Springer, Heidelberg, 1983.Google Scholar
  6. [6]
    Chiu, Ch. (Hrsg.): Applications of Kaiman-Filter to Hydrology, Hydraulics, and Water Resources. Proceedings of AGU Chapman Conference. University of Pittsburgh, 1978.Google Scholar
  7. [7]
    Dempster, A. P., Laird, N. M. u. Rubin, D. B.: Maximum Likelihood from Incomplete Data Via the EM Algorithm. J. R. Stat. Soc., 1976, B, 39, 1–38.Google Scholar
  8. [8]
    Fahrmeir, L.: Extended Kaiman-Filtering for Non-normal Longitudinal Data. In: A. Decarli, B. J. Francis, R. Gilchrist, G. U. H. Seeber (Hrsg.), Statistical Modelling. Lecture Notes in Statistics, 57, 151–156. Springer, Berlin/ Heidelberg, 1989.CrossRefGoogle Scholar
  9. [9]
    Fahrmeir, L. u. Kaufmann, H.: On Kalman-Filtering, Posterior Mode Estimation and Fisher-Scoring in Dynamic Exponential Family Regression. Metrika, 1991, 38, 37–60.MathSciNetMATHCrossRefGoogle Scholar
  10. [10]
    Frühwirth-Schnatter, S.: Das Unbeoachtbare erfassen-Dynamische stochastische Modelle in den Umwelt Wissenschaften. In: R. Viertl (Hrsg.), Beiträge zur Umweltstatistik. Schriftenreihe der Technischen Universität Wien, wird voraussichtlich im Herbst 1991 erscheinen.Google Scholar
  11. [11]
    Frühwirth-Schnatter, S.: Approximating Posterior Densities for Dynamic Linear Models with Unknown Hyperparameters. Beitrag zum 6th International Workshop on Statistical Modelling, Utrecht 1991, Preprint.Google Scholar
  12. [12]
    Schilling, W. (Hrsg.): Anwendungsmöglichkeiten des Kaiman-Filter-Verfahrens in der Wasserwirtschaft. VCH Verlagsgesellschaft, Weinheim/New York, 1987.Google Scholar
  13. [13]
    Harvey, A.: Forecasting, Structural Time Series Models and the Kaiman-Filter. University Press, Cambridge, 1989.Google Scholar
  14. [14]
    Harrison, P. J. u. Stevens, C. F.: Bayesian Forecasting (with discussion). J. R. Stat Soc., 1976, B, 38, 205–247.Google Scholar
  15. [15]
    Kaiman, R. E.: A New Approach to Linear Filtering and Prediction Problems. Trans. ASME, J. Basic Eng., 1960, 82, 35–44.CrossRefGoogle Scholar
  16. [16]
    Kitagawa, G.: Non-Gaussian State Space Modelling of Nonstationary Time Series (with comments). JASA, 1987, 82, 1032–1063.MathSciNetMATHGoogle Scholar
  17. [17]
    McCullagh, P. u. Neider, J. A.: Generalized Linear Models. 2. Auflage. Chapman and Hall, London/New York, 1989.MATHGoogle Scholar
  18. [18]
    Naylor, J. C. u. Smith, A. F. M.: Application of a Method for the Efficient Computation of Posterior Distributions. Applied Statistics, 1982, 31, 214–225.MathSciNetMATHCrossRefGoogle Scholar
  19. [19]
    Crawford, M. M.: Kaiman Filters as an Enforcement Tool of the Air Quality Regulation. Dissertation, University of Los Angelos, 1981.Google Scholar
  20. [20]
    Magill, D. T.: Optimal Adaptive Estimation of Sampled Stochastic Processes. IEEE-TAC, 1965, 10, 434–439.MathSciNetGoogle Scholar
  21. [21]
    Mehra, R. K.: Aspects of Designing Kaiman Filters. In: Ch. Chiu (Hrsg.), Applications of Kaiman-Filter to Hydrology, Hydraulics and Water Resources, 89–114. Proceedings of AGU Chapman Conference. University of Pittsburgh, 1978.Google Scholar
  22. [22]
    Smith, A. F. M. u. West, M.: Monitoring Renal Transplants: an Application of the Multiprocess Kaiman Filter. Biometrics, 1983, 39, 897–878.CrossRefGoogle Scholar
  23. [23]
    Smith, A. F. M., Skene, A. M., Shaw, J. E. H., Naylor, J. C., u. Dransfield, M.: The Implementation of the Bayesian Paradigma. Communications in Statistics-Theory and Methods, 1985, 14, 1079–1102.MathSciNetMATHCrossRefGoogle Scholar
  24. [24]
    Smith, J. Q.: Diagnostic Check of Non-standard Time Series Models. Warwick University, Research Report 61, Department of Statistics, 1985.Google Scholar
  25. [25]
    Schnatter, S.: Dynamische Bayes’sche Modelle und ihre Anwendung zur hydrologischen Kurzfristvorhersage. Unveröffentlichte Dissertation an der Technischen Universität Wien. Wien, 1988.Google Scholar
  26. [26]
    Schnatter, S.: Bayesian Forecasting of Time Series using Gaussian Sum Approximations. In: J. M. Bernardo, M. H. DeGroot, D. V. Lindley u. A. F. M. Smith (Hrsg.), Bayesian Statistics 3, 757–764. University Press, Oxford, 1988.Google Scholar
  27. [27]
    Schnatter, S.: Approximate Inference with a Dynamic Generalized Linear Trend Model. Preprint, zur Veröffentlichung in Computational Statistics and Data Analysis angenommen.Google Scholar
  28. [28]
    Schneider,W.: Der Kaimanfilter als Instrument zur Diagnose und Schätzung variabler Parameter in ökonometrischen Modellen. Physica, Heidelberg/Wien, 1986.Google Scholar
  29. [29]
    Schweppe, F. C.: Model Identification Problems. In: Ch. Chiu (Hrsg.), Applications of Kaiman-Filter to Hydrology, Hydraulics and Water Resources, 115–133. Proceedings of AGU Chapman Conference. University of Pittsburgh, 1978.Google Scholar
  30. [30]
    Sharefkin, M.: Reflections of an Ignorant Bayesian. In: M. B. Beck u. G. van Straten (Hrsg.), Uncertainty and Forecasting of Water Quality, 373–379. Springer, Heidelberg, 1983.CrossRefGoogle Scholar
  31. [31]
    Tanner, M. u. Wong, W. H.: The Calculation of Posterior Distributions by Data Augmentation. JASA, 1987, 83, 398, 528–550.MathSciNetGoogle Scholar
  32. [32]
    West, M. u. Harrison, P. J.: Bayesian Forecasting and Dynamic Models. Springer, New York/Heidelberg/Berlin, 1989.MATHGoogle Scholar
  33. [33]
    West, M., Harrison, P. J. u. Migon, H. S.: Dynamic Generalized Linear Models and Bayesian Forecasting. JASA, 1985, 80, 389, 73–97.MathSciNetMATHGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1991

Authors and Affiliations

  • Sylvia Frühwirth-Schnatter
    • 1
  1. 1.Institut für StatistikWirtschaftsuniversität WienWienAustria

Personalised recommendations