Bayesian Structural Time Series
Bayesian Structural Time Series (BSTS) is a state-space modelling framework, introduced by Scott and Varian (2014), that decomposes a time series into additive components — trend, seasonality, and regression — and estimates them jointly through Bayesian inference. It underpins Google's CausalImpact library and is a powerful tool for both forecasting and counterfactual causal analysis of interventions.
Zdrojový záznam
Citace zkopírované doslovně ze zdrojového záznamu metody. Nejsou z nich vyvozovány žádné ověření na úrovni tvrzení.
- 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
Spravovaná tvrzení
Tvrzení uložená v registru důkazů, každé s vlastním hodnocením.
Tento pohled nevymýšlí hodnocení tvrzení, pokud registr žádné neobsahuje.
Související metody
Vygenerováno z grafu metod a zobrazeno jako strojově navržené vztahy – nejsou z nich vyvozována žádná tvrzení o důkazech.