Skip to main content
SpringerLink
Log in
Book cover

Multivariate Modelle pp 89–122Cite as

Monitoring von ökologischen und biometrischen Prozessen mit statistischen Filtern

  • Conference paper

Part of the book series: Medizinische Informatik, Biometrie und Epidemiologie ((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.

This is a preview of subscription content, log in via an institution.

Chapter
USD   29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD   54.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD   69.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Learn about institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Abramowitz, M. u. Stegun, I.: Handbook of Mathematical Functions. National Bureau of Standards, New York, 1970.

    Google Scholar 

  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.

    Chapter  Google Scholar 

  3. Anderson, B. O. D. u. Moore, J. B.: Optimal Filtering. Englewood Cliffs, Prentice Hall, 1979.

    MATH  Google Scholar 

  4. Beck, M. B.: Water Quality Modeling-A Review of the Analysis of Uncertainty. Water Resources Research, 1983, 23, 8, 1393–1442.

    Article  Google Scholar 

  5. Beck, M. B. u. Van Straten, G. (Hrsg.): Uncertainty and Forecasting of Water Quality. Springer, Heidelberg, 1983.

    Google Scholar 

  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. 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. 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.

    Chapter  Google Scholar 

  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.

    Article  MathSciNet  MATH  Google Scholar 

  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. 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. Schilling, W. (Hrsg.): Anwendungsmöglichkeiten des Kaiman-Filter-Verfahrens in der Wasserwirtschaft. VCH Verlagsgesellschaft, Weinheim/New York, 1987.

    Google Scholar 

  13. Harvey, A.: Forecasting, Structural Time Series Models and the Kaiman-Filter. University Press, Cambridge, 1989.

    Google Scholar 

  14. Harrison, P. J. u. Stevens, C. F.: Bayesian Forecasting (with discussion). J. R. Stat Soc., 1976, B, 38, 205–247.

    Google Scholar 

  15. Kaiman, R. E.: A New Approach to Linear Filtering and Prediction Problems. Trans. ASME, J. Basic Eng., 1960, 82, 35–44.

    Article  Google Scholar 

  16. Kitagawa, G.: Non-Gaussian State Space Modelling of Nonstationary Time Series (with comments). JASA, 1987, 82, 1032–1063.

    MathSciNet  MATH  Google Scholar 

  17. McCullagh, P. u. Neider, J. A.: Generalized Linear Models. 2. Auflage. Chapman and Hall, London/New York, 1989.

    MATH  Google Scholar 

  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.

    Article  MathSciNet  MATH  Google Scholar 

  19. Crawford, M. M.: Kaiman Filters as an Enforcement Tool of the Air Quality Regulation. Dissertation, University of Los Angelos, 1981.

    Google Scholar 

  20. Magill, D. T.: Optimal Adaptive Estimation of Sampled Stochastic Processes. IEEE-TAC, 1965, 10, 434–439.

    MathSciNet  Google Scholar 

  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. Smith, A. F. M. u. West, M.: Monitoring Renal Transplants: an Application of the Multiprocess Kaiman Filter. Biometrics, 1983, 39, 897–878.

    Article  Google Scholar 

  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.

    Article  MathSciNet  MATH  Google Scholar 

  24. Smith, J. Q.: Diagnostic Check of Non-standard Time Series Models. Warwick University, Research Report 61, Department of Statistics, 1985.

    Google Scholar 

  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. 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. Schnatter, S.: Approximate Inference with a Dynamic Generalized Linear Trend Model. Preprint, zur Veröffentlichung in Computational Statistics and Data Analysis angenommen.

    Google Scholar 

  28. Schneider,W.: Der Kaimanfilter als Instrument zur Diagnose und Schätzung variabler Parameter in ökonometrischen Modellen. Physica, Heidelberg/Wien, 1986.

    Google Scholar 

  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. 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.

    Chapter  Google Scholar 

  31. Tanner, M. u. Wong, W. H.: The Calculation of Posterior Distributions by Data Augmentation. JASA, 1987, 83, 398, 528–550.

    MathSciNet  Google Scholar 

  32. West, M. u. Harrison, P. J.: Bayesian Forecasting and Dynamic Models. Springer, New York/Heidelberg/Berlin, 1989.

    MATH  Google Scholar 

  33. West, M., Harrison, P. J. u. Migon, H. S.: Dynamic Generalized Linear Models and Bayesian Forecasting. JASA, 1985, 80, 389, 73–97.

    MathSciNet  MATH  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Institut für Statistik, Wirtschaftsuniversität Wien, Augasse 2-6, A-1090, Wien, Austria

    Sylvia Frühwirth-Schnatter

Authors
  1. Sylvia Frühwirth-Schnatter
    View author publications

    You can also search for this author in PubMed Google Scholar

Editor information

Editors and Affiliations

  1. Institut für Statistik, Leopold-Franzens Universität Innsbruck, Innrain 52, A-6020, Innsbruck, Austria

    Gilg U. H. Seeber

  2. Institut für Sozial- und Präventivmedizin, Universität Bern, Finkenhubelweg 11, CH-3012, Bern, Switzerland

    Christoph E. Minder

Rights and permissions

Reprints and permissions

Copyright information

© 1991 Springer-Verlag Berlin Heidelberg

About this paper

Cite this paper

Frühwirth-Schnatter, S. (1991). Monitoring von ökologischen und biometrischen Prozessen mit statistischen Filtern. In: Seeber, G.U.H., Minder, C.E. (eds) Multivariate Modelle. Medizinische Informatik, Biometrie und Epidemiologie, vol 74. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-95669-0_5

Download citation

  • DOI: https://doi.org/10.1007/978-3-642-95669-0_5

  • Publisher Name: Springer, Berlin, Heidelberg

  • Print ISBN: 978-3-540-54511-8

  • Online ISBN: 978-3-642-95669-0

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics

Search

Navigation