This paper evaluates methods that employ Kalman Filter to estimate Diebold and Li (2006) extensions in a state-space representation, applying the Nelson and Siegel (1987) function as measure equation and different specifications for the transition equation that determines level, slope and curvature dynamics. The models that were analyzed have the following structures in transition equation: (1) AR(1) specification, employing a diagonal covariance matrix for the residuals; (2) VAR(1) specification, employing a covariance matrix calculated with Cholesky decomposition; (3) VAR(1) extension, inserting variables related to the Covered Interest Rate Parity (CIRP); (4) VAR(1) extension, including stochastic volatility components. The major findings of this paper were: (1) evaluating the latent variables dynamics, the curvature was the factor that fitted better to the stochastic volatility component; (2) in a broad sense, even though the simplest VAR(1) model was the one that provided the best out-of-sample performance in the most part of maturities and forecasting horizons, the extension inserting variables related to the CIRP was able to overcome the former specification in some of these simulations.Esse trabalho avalia métodos que utilizam o Filtro de Kalman para estimar extensões do modelo original de Diebold and Li (2006) em sua representação espaço-estado, empregando a equação de Nelson and Siegel (1987) como equação de medida e diferentes especificações para a equação de transição que governa a dinâmica dos fatores nível, inclinação e curvatura. Os modelos avaliados consideram as seguintes estruturas nas equações de transição: (1) especificação AR(1), impondo matriz de covariância diagonal para os resíduos; (2) especificação VAR(1), impondo matriz de covariância calculada com decomposição de Cholesky; (3) extensão da especificação VAR(1), incluindo variáveis associadas à Paridade Coberta da Taxa de Juros (PCTJ); (4) extensão da especificação VAR(1), introduzindo componentes de volatilidade estocástica. Destacam-se como principais resultados: (1) ao avaliar a dinâmica das variáveis latentes, a curvatura foi o fator mais sensível à incorporação da volatilidade condicional; (2) em termos gerais, embora o modelo que impõem uma estrutura de vetores autorregressivos simples para a equação de transição tenha sido o que apresentou melhor desempenho fora da amostra para a maioria de maturidades e horizontes de projeção, a extensão dessa especificação incluindo as variáveis associadas à PCTJ conseguiu se sobressair em alguns dos exercícios realizados.