如何用Stats Models的Local Linear Trend模型处理缺失值

自定义的Local Linear Trend类继承自sm.tsa.statespace.MLEModel时，默认未启用缺失值透传逻辑，而官方预实现的SARIMAX类已经内置了相关配置，因此可以直接由卡尔曼滤波模块处理缺失值。可通过以下配置实现缺失值自动处理：

• 步骤1：实例化模型时显式指定缺失值处理参数
  实例化Local Linear Trend模型时传入missing='none'参数，告诉statsmodels不要提前删除、校验缺失值，直接将完整序列透传给卡尔曼滤波模块，由滤波逻辑原生处理缺失观测：

  # 原实例化代码
  # mod = LocalLinearTrend(endog)
  # 修改为以下代码
  mod = LocalLinearTrend(endog, missing='none')
  

• 步骤2：拟合时增加适配参数（可选）
  若拟合时出现协方差计算异常，可在调用fit()方法时传入cov_type='robust'，适配缺失值带来的样本量变化：

  res = mod.fit(cov_type='robust')
  

• 步骤3：版本校验
  若配置后仍然全空，可将statsmodels升级到0.12.0及以上稳定版本，旧版本对自定义状态空间模型的缺失值支持存在已知缺陷。

可使用简易测试序列验证效果，构造包含随机缺失值的时序输入：

import numpy as np
endog = np.array([1.1, 2.3, np.nan, 4.7, 5.2, np.nan, 7.9, 8.4])
mod = LocalLinearTrend(endog, missing='none')
res = mod.fit()
# 输出滤波结果验证缺失位置是否有有效值
print(res.filtered_state)

正常输出中原来为NaN的观测位置会生成对应的状态估计值，不会出现全空的情况。

内容的提问来源于stack exchange，提问作者Andrew Doherty