Bayesovské strukturální časové řady
Bayesovské strukturální časové řady (BSTS) jsou rámec modelování stavového prostoru, zavedený Scottem a Varianem (2014), který rozkládá časovou řadu na aditivní složky – trend, sezónnost a regresi – a odhaduje je společně prostřednictvím Bayesovské inference. Tvoří základ knihovny CausalImpact od Google a jsou mocným nástrojem pro prognózování i kontrafaktuální kauzální analýzu intervencí.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Scott, S. L. & Varian, H. R. (2014). Predicting the Present with Bayesian Structural Time Series. International Journal of Mathematical Modelling and Numerical Optimisation, 5(1/2), 4–23. DOI: 10.1504/IJMMNO.2014.059942 ↗
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N. & Scott, S. L. (2015). Inferring Causal Impact Using Bayesian Structural Time-Series Models. Annals of Applied Statistics, 9(1), 247–274. DOI: 10.1214/14-AOAS788 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Bayesian Structural Time Series Model. ScholarGate. https://scholargate.app/cs/bayesian/bayesian-structural-time-series
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.
- Model ARIMA (autoregresní integrovaný klouzavý průměr)Ekonometrie↔ compare
- Bayesovská regreseBayesovská statistika↔ compare
- Analýza přerušených časových řad (ITS)Kauzální inference↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesovská statistika↔ compare
- Model stavového prostoru (Kalmanův filtr)Ekonometrie↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →