動的線形モデルのパラメーターの推定

私は（Rで）私は2つの持っているため、以下の非常に単純な動的な線形モデルを実装したい未知の時間変化のパラメータ（観測誤差の分散と状態誤差の分散ε 2 tで）。$\epsilon^1_t$$\epsilon^2_t$

$\begin{matrix} Y_t & = & \theta_t + \epsilon^1_t\\ \theta_{t+1} & = & \theta_{t}+\epsilon^2_t \end{matrix}$

先読みバイアスなしで、各時点でこれらのパラメーターを推定したいと思います。私が理解していることから、MCMC（先読みバイアスを回避するためにローリングウィンドウ上）またはパーティクルフィルター（またはシーケンシャルモンテカルロ-SMC）のいずれかを使用できます。

どちらの方法は、あなたが使用して、
これらの2つの方法の長所と短所は何ですか？

おまけの質問：これらの方法では、パラメーターの変更速度をどのように選択しますか？大量のデータを使用してパラメーターを推定することと、少ないデータを使用してパラメーターの変更により迅速に反応することの間に取引があるため、ここに情報を入力する必要があると思いますか？

時間変化するパラメーターがあり、順次処理（フィルター処理）を実行する場合は、SMCが最も適切です。MCMCは、すべてのデータを条件付けする場合、または推定する必要のある不明な静的パラメーターがある場合に適しています。パーティクルフィルターには、静的パラメーター（縮退）に関する問題があります。

dlmパッケージとそのビネットをご覧ください。ビネットから探しているものが見つかるかもしれません。パッケージの作者は、Rを使った動的線形モデルの本も書いています。

私は動的線形モデルをR（良い本）で読みました、最後の章は逐次モンテカルロ/粒子フィルタリングを扱います。また、Rコードも含まれています。ただし、第5章の結論として、エラーが累積して追加の時間が経過するとSMCの信頼性が低下することを明示的に警告しています。したがって、彼らはごとに完全な MCMCサンプルから事後分布で粒子フィルターを「リフレッシュ」することを推奨しています$T$$(1000 \times (50-1) \times 10) \div 60 \div 24$

質問してから数年になりますので、今、お答えいただければと思います。