Series Temporales Estructurales Bayesianas
Series Temporales Estructurales Bayesianas (BSTS, por sus siglas en inglés) es un marco de modelado de espacio de estados, introducido por Scott y Varian (2014), que descompone una serie temporal en componentes aditivos —tendencia, estacionalidad y regresión— y los estima conjuntamente mediante inferencia bayesiana. Sustenta la biblioteca CausalImpact de Google y es una herramienta potente tanto para la previsión como para el análisis causal contrafactual de intervenciones.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Bayesian Structural Time Series Model. ScholarGate. https://scholargate.app/es/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometría↔ compare
- Regresión bayesianaBayesiano↔ compare
- Análisis de Series Temporales Interrumpidas (ITS)Inferencia causal↔ compare
- Cadenas de Markov Monte Carlo (MCMC)Bayesiano↔ compare
- Modelo de espacio de estados (Filtro de Kalman)Econometría↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →