Resumo Modelos de espaço de estado (MEE) fornecem uma estrutura flexível para modelar dados de séries temporais, mas sua dependência de suposições de erro gaussiano os torna altamente sensíveis a outliers. Propomos um método de estimativa robusta, ROAMS, que mitiga a influência de outliers aditivos ao introduzir parâmetros de deslocamento em cada ponto no tempo na equação de observação do MEE. Esses parâmetros permitem que o modelo atribua deslocamentos não nulos a outliers enquanto deixa observações limpas inalteradas. ROAMS então possibilita a detecção automática de outliers, através da adição de um termo de penalidade ao número de pontos de tempo sinalizados como outliers na função de perda, e a estimativa simultânea dos parâmetros do modelo. Aplicamos o método para estimar robustamente MEE tanto em dados simulados quanto em dados reais de rastreamento de localização de animais, demonstrando sua capacidade de produzir estimativas de parâmetros mais confiáveis do que métodos clássicos e outros métodos de benchmarking. Além da robustez aprimorada, ROAMS oferece ferramentas de diagnóstico práticas, incluindo curvas BIC para seleção de parâmetros de ajuste e visualização da estrutura de outliers. Essas características tornam nossa abordagem amplamente útil para pesquisadores e profissionais que trabalham com dados de séries temporais contaminados.
Shankar et al. (Mon,) estudaram essa questão.