MCMC für Zeitreihen
Zeitreihen-MCMC wendet Markov-Chain-Monte-Carlo-Methoden auf die Bayes'sche Inferenz über zeitlich geordnete Daten an. Anstatt eine einzelne Parameterschätzung zu optimieren, zieht sie Stichproben aus der vollständigen gemeinsamen Posterior-Verteilung von Parametern und latenten Zuständen, was Wahrscheinlichkeitsverteilungen liefert, die die Unsicherheit über Dynamiken, Trends und saisonale Muster zu jedem Zeitpunkt ehrlich widerspiegeln.
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
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/de/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.
- Dynamische Bayes'sche InferenzBayes-Statistik↔ compare
- Gibbs-SamplingBayes-Statistik↔ compare
- Hamiltonian Monte CarloBayes-Statistik↔ compare
- Kalman FilterBayes-Statistik↔ compare
- Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)Bayes-Statistik↔ compare
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →