MCMC pro časové řady
MCMC pro časové řady aplikuje metody Markovových řetězců Monte Carlo na Bayesovskou inferenci nad daty uspořádanými v čase. Místo optimalizace jediného odhadu parametru čerpá vzorky z plné sdružené aposteriorní distribuce parametrů a latentních stavů, čímž získává pravděpodobnostní rozdělení, která poctivě odrážejí nejistotu ohledně dynamiky, trendů a sezónních vzorců v každém časovém bodě.
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
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/cs/bayesian/time-series-mcmc
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.
- Dynamická Bayesovská inferenceBayesovská statistika↔ compare
- Gibbs SamplingBayesovská statistika↔ compare
- Hamiltonovské Monte CarloBayesovská statistika↔ compare
- Kalmanův filtrBayesovská statistika↔ compare
- Částicový filtr (sekvenční Monte Carlo)Bayesovská statistika↔ compare
- Sekvenční Monte CarloBayesovská statistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →