《卡尔曼滤波状态空间同化、可穿戴读数观测噪音与广告归因真实信号提纯母典》各章定量结论
每天看一眼手环读数或投放日报,再据此决定今天怎么做,背后的常识是「越新越准」。本书用局部水平与局部趋势的状态空间模型检验这一常识:一个读数等于真实水平加测量误差,当误差方差远大于真实日变化方差时,按原始读数做是或否的决定会对噪音过度反应;示意参数下原始读数每百天翻转 23.6 次,卡尔曼滤波估计只翻转 5.5 次。核对原文后,本书修正了立项命题:卡尔曼 1960 年的论文是方法论文,不含任何可穿戴或广告数据;滤波的好处随噪音信号比单调增大,比值接近零时几乎没有,代价是对真实突变迟钝几天。书中的噪音方差、漂移、回报率与预算均为示意参数;全部计算由书中程序生成。关于可穿戴读数:本书非医疗建议,不宣称任何功效,不判断任何人的健康状况,自我试验先咨询执业医师;关于广告归因:本书是非个人化经营建议。
DOI 待发布 · 专著页正式发布后上线(本站暂无专著页) · 5DL-B-245 · English version
- 第 1 章 · 原始读数为什么过度反应:噪音信号比与决策翻转
一个读数等于真实水平加测量误差。当误差的方差远大于真实水平的日变化方差时,按原始读数做的决定会频繁翻转,翻转的绝大部分是在回应误差;在噪音信号比为 16 的示意情形下,原始读数的翻转次数是滤波估计的 4.26 倍。好处的大小完全取决于噪音信号比:比值接近零时滤波没有用,比值越大越有用,也越迟钝。那么,这个按比例吸收误差的增益究竟从何而来,它与人们熟悉的七日均线和指数平滑又是什么关系?这是下一章的问题。 - 第 2 章 · 卡尔曼增益从哪里来:一步预测、一步修正与指数平滑
局部水平模型下的卡尔曼滤波只有四行算术:预测方差加 $q$,增益等于预测方差除以预测方差加 $r$,估计按增益吸收新息,方差按增益缩小。增益几天之内稳定下来,稳定之后就是平滑系数等于增益的指数平滑;在示意参数下它是 0.2207,一半的权重落在最近三天。七日均线在嘈杂读数上差得不多,在干净读数上却比不平滑还差。可是真实的指标并不总是围着一个水平随机漂移:体重秤读数可能有持续的趋势,订单可能在某一天因为一次真实的事件跳上一个台阶。滤波遇… - 第 3 章 · 趋势与台阶:慢漂移要几周才看得出,真突变要付几天迟钝
加一个斜率状态,局部水平模型就变成局部趋势模型。在示意参数下,单次读数误差是每日漂移的十二倍,用两次读数比较趋势几乎没有信息;滤波要连续记录约八周,才有 0.882 的机会看出趋势。对于真实的台阶,滤波确实需要几天,但在误报相同的条件下,它不比按原始读数报警更慢。前三章都在实时地看今天;如果我们愿意回头看,用今天的读数去修正对上周的判断,又能把误差压低多少?缺测的日子和明显荒唐的读数又该怎样处理?下一章回答。 - 第 4 章 · 回看与补洞:RTS 平滑、缺测日与伪读数
回看平滑在复盘时把中间日子的误差从 0.940 降到 0.705,但对最后一天毫无帮助。缺测日不需要插补,滤波器会让不确定性如实增大,读数恢复后自动加快追赶。伪读数应当用新息门限在进入估计之前拦下并交人复核。到这里,本书一直假设我们知道两种噪音的方差 $q$ 与 $r$。现实中没有人告诉我们这两个数。只凭读数本身,能把它们估出来吗?四周的数据够不够?下一章回答。 - 第 5 章 · 噪音有多大:极大似然、新息检验与差分矩估计
第五章讲极大似然、新息检验与差分矩估计:四周数据估出的增益在 0.031 到 0.481 之间,只能当作起点。 - 第 6 章 · 广告日报:归因噪音、开关试验与预算切换
第六章转到广告日报:按原始日报切换预算九十天切换 33.8 次、利润只有理想的 0.714,按滤波估计只切换 5.6 次、达到 0.903;花费不变时任何方法都学不到广告效果。 - 第 7 章 · 东西方原典考辨:《孟子·尽心下》与高斯的最小二乘
第七章考辨《孟子·尽心下》的「尽信书,则不如无书」与高斯 1809 年的最小二乘。 - 第 8 章 · 实证闭环:四周滤波日志、广告日报滤波与预注册检验
第八章给出四周滤波日志与广告日报滤波的闭环、小工具「噪音读数滤波器」与两份预注册方案(广告账户保守需要 96 个,个人日志需要 57 份)。书中以标注框区分已发表的证据、可运行的 Python 计算(19 段程序)、原典与作者的假说。
模型示意算例,非实时报价