MCMC за времеви редове
MCMC за времеви редове прилага методи на Марковски вериги Монте Карло (MCMC) за Байесов извод върху подредени във времето данни. Вместо да се оптимизира единична оценка на параметър, той извлича извадки от пълното съвместно апостериорно разпределение на параметри и латентни състояния, предоставяйки вероятностни разпределения, които честно отразяват несигурността относно динамиката, тенденциите и сезонните модели във всяка времева точка.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Carter, C. K. & Kohn, R. (1994). On Gibbs sampling for state space models. Biometrika, 81(3), 541–553. DOI: 10.1093/biomet/81.3.541 ↗
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
Как да цитирате тази страница
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/bg/bayesian/time-series-mcmc
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Динамично Байесово извежданеБейсови методи↔ сравняване
- Гиббсов семплерБейсови методи↔ сравняване
- Хамилтънов Монте КарлоБейсови методи↔ сравняване
- Калманов филтърБейсови методи↔ сравняване
- Частицов филтър (последователен Монте Карло)Бейсови методи↔ сравняване
- Последователен Монте КарлоБейсови методи↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →