Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo Filtro de Kalman

Estimador recursivo de estados que atualiza estados macro latentes conforme cada observação ruidosa chega.

Visão geralGráficoMatemáticaReferências

Filtro de Kalman: que pergunta macro este modelo ajuda a responder?

Contexto

Estimador recursivo de estados que atualiza estados macro latentes conforme cada observação ruidosa chega.

Filtro de Kalman fica em Nowcasting e modelos de indicadores. Use esta classe quando você precisa de uma leitura do trimestre corrente que se atualiza com cada indicador mensal ou semanal, sem esperar a divulgação do PIB.

A página deve ser lida como uma referência de método: primeiro o objeto empírico, depois o conjunto de informação, os diagnósticos e os limites da inferência.

Conexões para explorar

Matemática ↗A estrutura e suas condições, passo a passo.Fontes ↗Fontes acadêmicas e orientação de uso.

Como as partes se conectam

αt\alpha_tαt​

Vetor de estado

Vetor latente de dimensão m no instante t (por exemplo, tendência, ciclo, coeficientes variantes no tempo). Não observado diretamente.

Comece pela série-alvo, frequência, janela da amostra e calendário de revisão. Um modelo empírico perde valor quando a pergunta ignora a safra dos dados.

Problemas de acompanhamento em tempo real quando o estado é não observado e o conjunto de informação se atualiza observação por observação.

A leitura útil compara o resultado com um benchmark simples, registra onde o erro de previsão aparece e separa sinal estatístico de interpretação causal.

Os componentes e as hipóteses formais abaixo são os do próprio modelo, com a terminologia em português. A notação matemática e os títulos bibliográficos ficam no original, que é como a literatura os identifica.

Premissas

Mantida

Modelo de espaço de estados linear

Tanto a equação de transição quanto a de medida são lineares no estado e nas perturbações.

Se falhar:A não linearidade invalida a otimalidade do filtro de Kalman. Use o filtro de Kalman estendido, o filtro de Kalman unscented ou um filtro de partículas.

Testável

Perturbações gaussianas

As inovações de estado ηt\eta_tηt​ e os erros de medida εt\varepsilon_tεt​ são conjuntamente gaussianos.

Se falhar:Sem gaussianidade, o filtro de Kalman continua sendo o melhor estimador linear não viesado, mas deixa de ser o de erro quadrático médio mínimo entre todos os estimadores. A verossimilhança baseada em inovações passa a ser uma aproximação.

Mantida

Matrizes do sistema conhecidas

F, H, Q e R são conhecidas ou estimadas em uma etapa anterior. O filtro condiciona nessas matrizes.

Se falhar:Se as matrizes do sistema estão mal especificadas, o filtro é subótimo e os diagnósticos das inovações sinalizarão a falha do modelo.

Testável

Independência entre perturbações de estado e de medida

E[ηtεs′]=0E[\eta_t \varepsilon_s'] = 0E[ηt​εs′​]=0 para todo ttt, sss.

Se falhar:Perturbações correlacionadas exigem um filtro de Kalman modificado (ou aumentar o estado para absorver a correlação). As fórmulas padrão produzem estimativas de estado enviesadas.

Mantida

Condições iniciais corretas

O estado inicial α0\alpha_0α0​ e a covariância P0P_0P0​ estão corretamente especificados (de forma exata ou difusa).

Se falhar:Condições iniciais ruins afetam os primeiros estados filtrados. A inicialização difusa (P0=κIP_0 = \kappa IP0​=κI com κ\kappaκ grande) atenua o problema, mas exige tratamento cuidadoso das contribuições iniciais à log-verossimilhança.

Testável

Sem quebras estruturais nas matrizes do sistema

F, H, Q e R são constantes (ou sua variação temporal está corretamente parametrizada).

Se falhar:Quebras estruturais não modeladas causam viés persistente nas inovações e divergência do filtro. A sequência de inovações apresentará autocorrelação ou deslocamentos de nível.

Aplicações

Use esta página para escolher o modelo antes de olhar o resultado: o alvo, a frequência, a janela e o benchmark definem o que a saída pode dizer.

Em monitoramento macro, a comparação com alternativas importa tanto quanto o modelo escolhido. Erro fora da amostra, estabilidade e revisão dos dados devem ficar visíveis.

Troque ou complemente o modelo quando a pergunta exigir identificação causal, contrafactual estrutural, distribuição entre agentes ou uma mudança de regime que a amostra histórica não contém.

Extensões e questões em aberto

Variantes

  • Extended Kalman filter (EKF) - first-order Taylor approximation for nonlinear models
  • Unscented Kalman filter (UKF) - sigma-point approximation for nonlinear models
  • Square-root filter - numerically stable propagation of P1/2P^{1/2}P1/2 instead of PPP
  • Information filter - propagates the precision matrix P−1P^{-1}P−1
  • Ensemble Kalman filter (EnKF) - sample-based approximation for high-dimensional states
  • Particle filter (sequential Monte Carlo) - handles arbitrary nonlinearity and non-Gaussianity

Questões em aberto

  • Optimal initialization for non-stationary states remains an active area. Diffuse initialization (De Jong 1991, Koopman 1997) is theoretically clean but introduces numerical complications when the diffuse part is large.
  • Model selection among competing state-space specifications (how many factors, which observation equations) typically relies on information criteria evaluated at the innovation likelihood, but these criteria are not always reliable for latent-variable models.
  • Robustifying the Kalman filter to fat-tailed disturbances without abandoning the linear-Gaussian machinery is an open challenge. Approaches include Student-t state-space models and robust Kalman filters with bounded influence functions.

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo teórico

IS-LM Model

modelo teórico bem conectado a dois passos daqui

Novo ângulo: modelo teórico →
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC