Динамично Байесово осредняване на модели
Динамичното Байесово осредняване на модели (DMA) разширява стандартното Байесово осредняване на модели към ситуации, в които най-добрият предсказващ модел може да се променя във времето. То поддържа вероятностно разпределение върху набор от конкуриращи се модели и последователно актуализира това разпределение при постъпване на нови наблюдения, позволявайки теглата на моделите да се развиват, вместо да остават фиксирани за целия период.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Raftery, A. E., Karny, M., & Ettler, P. (2010). Online prediction under model uncertainty via dynamic model averaging: Application to a cold rolling mill. Technometrics, 52(1), 52-66. DOI: 10.1198/TECH.2009.08104 ↗
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382-401. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Dynamic Bayesian Model Averaging. ScholarGate. https://scholargate.app/bg/bayesian/dynamic-bayesian-model-averaging
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Байесовско осредняване на модели (Bayesian Model Averaging, BMA)Бейсови методи↔ compare
- Динамично Байесово извежданеБейсови методи↔ compare
- Динамична Байесова мрежаБейсови методи↔ compare
- Динамично вариационно извежданеБейсови методи↔ compare
- Калманов филтърБейсови методи↔ compare
- Последователен Монте КарлоБейсови методи↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →