Bayesianische strukturelle Zeitreihen
Bayesian Structural Time Series (BSTS) ist ein Zustandsraum-Modellierungsframework, das von Scott und Varian (2014) eingeführt wurde. Es zerlegt eine Zeitreihe in additive Komponenten – Trend, Saisonalität und Regression – und schätzt diese gemeinsam mittels Bayes'scher Inferenz. Es bildet die Grundlage für Googles CausalImpact-Bibliothek und ist ein leistungsfähiges Werkzeug sowohl für Prognosen als auch für kausale Kontrafakturanalyse von Interventionen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Bayesian Structural Time Series Model. ScholarGate. https://scholargate.app/de/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.
- ARIMA-Modell (Autoregressive Integrated Moving Average)Ökonometrie↔ compare
- Bayes'sche RegressionBayes-Statistik↔ compare
- Analyse von unterbrochenen Zeitreihen (Interrupted Time Series, ITS)Kausale Inferenz↔ compare
- Markov-Kette Monte Carlo (MCMC)Bayes-Statistik↔ compare
- Zustandsraummodell (Kalman-Filter)Ökonometrie↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →