در این مقاله روشی برای استفاده از خروجی‌های کالمن فیلتر برای شناسایی تغییرات تأثیر گذار سری زمانی ارائه شده است. از آن‌جا که الگوریتم کالمن فیلتر برای تحلیل مدل‌های فضای حالت به کار می‌رود که مدل‌های خطی ARMA را پوشش می‌دهد، استفاده از این روش می‌تواند برای شناسایی تغییرات از جمله مقادیر پرت به کار رود. در این مقاله روش پیشنهاد شده برای شناسایی پنج تغییر: نقطه پرت جمع پذیر، تغییر سطح، تغییرات فصلی، تغییر دوره و شیب ناگهانی سری زمانی استفاده شده است. توانایی روش پیشنهادی در یافتن نقاط تأثیر گذار با استفاده شبیه‌سازی نشان داده شد. به عنوان یک مثال واقعی داده‌های ازدواج در کشور انگلیس مورد بررسی قرار گرفت.

‌ این مقاله به بررسی مدل سری زمانی خود بازگشت آمیخته با وزن‌های ثابت در قالب فضای حالت و تعمیم آن به مدل‌های خودبازگشت-میانگین متحرک آمیخته می‌پردازد. توابع چگالی پیش‌بینی، پالایش و هموارسازی با استفاده از یک روش مونت کارلوی دنباله‌ای تقریب زده شده‌اند. همچنین الگوریتم ‎EM‎ برای برآورد پارامترهای مدل در فضای حالت ارائه شده است. نتایج نشان می‌دهد در قالب فضای حالت، ابعاد بردار پارامترهای مدل کاهش می‌یابد. علاوه بر این رفتار الگوریتم‌های پالایش و هموارسازی با استفاده از شبیه‌سازی مونت کارلو در مدل‌های ایستا مورد بررسی قرار گرفته است. نتایج این مطالعه نشان می‌دهد الگوریتم پالایش در مدت زمان کوتاهی به یک حالت پایا نزدیک می‌شود. همچنین پس از گذشت زمان کوتاهی میانگین توزیع‌های پالایش و هموارسازی به مقادیر واقعی بردار حالت نزدیک می‌شوند.