在拟合UnobservedComponents模型时，是否可以为状态参数的最终值设置上限？
我们想模拟一种贝叶斯方法，用于选择状态的先验分布，并将最终值设置为上限高达初始值的20%(这样，如果我们选择局部水平的先验值为0.1，则最终值最多为0.12(
背后的动机来自于我们正在从R移植到Python的一种算法。当我们在给定的测试数据上拟合一个局部水平的模型时，最终状态西格玛最终约为0.3；在R中，存在上限假设，因此最终结果为0.12，这产生了相当不同的置信区间。我们一直在尝试在统计模型中模拟同样的行为。
通过研究代码，我们发现了transform_params方法，它似乎能够在初始状态上引入边界，但我们不确定如何使用它来设置20%的上限(或者它是否是正确的方法(。
刚刚找到了一个非常简单精确的解决方案：我们可以使用输入参数bounds，它已经限制了拟合算法搜索最优值的边界。
这里有一个例子，以防有人需要做同样的事情：
model = UnobservedComponents(data, level='choose level', exog=more data)
bounds = [(None, None) for _ in range(len(model.param_names))]
如果想要为级别优化设置0.1的下边界和0.12的上边界，并且它对应于model.param_names中的索引1，可以这样做：
bounds[1] = (0.1, 0.12)
然后运行fit命令：
model.fit(bounds=bounds)
请记住，bounds中的这些值对应于参数的标准差，而不是其方差。
它就像一个符咒：(