Dlaczego prognozy modeli ARMA są wykonywane przez filtr Kalmana

Jakie są zalety wyrażania modelu ARMA jako modelu przestrzeni stanów i przeprowadzania prognozowania przy użyciu filtra Kalmana?

Metodologia ta jest na przykład stosowana w implementacji SARIMAX w python-statsmodels:

https://github.com/statsmodels/statsmodels/tree/master/statsmodels/tsa/statespace

Dla mnie jedną z głównych zalet jest obsługa brakujących danych i nierównych przedziałów czasowych. Filtr Kalmana z łatwością radzi sobie z brakującymi obserwacjami i może być użyty do ich przypisania.

OLS i MLE nie radzą sobie tak łatwo z brakującymi danymi i nie każdy pakiet będzie obsługiwał tę funkcję w przeciwieństwie do filtra Kalmana.