Modelo Jerárquico Bayesiano de Series Temporales
Un modelo jerárquico bayesiano de series temporales combina el marco bayesiano jerárquico (multinivel) con una estructura dinámica de espacio de estados para analizar datos temporales recopilados en múltiples unidades o grupos. Las priors codifican creencias tanto sobre la dinámica dentro de la unidad como sobre la variación entre unidades, y la posterior se obtiene mediante MCMC o Monte Carlo secuencial, produciendo pronósticos probabilísticos completos con incertidumbre calibrada.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
Cómo citar esta página
ScholarGate. (2026, June 3). Time Series Bayesian Hierarchical Model. ScholarGate. https://scholargate.app/es/bayesian/time-series-bayesian-hierarchical-model
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Regresión bayesianaBayesiano↔ comparar
- Red Bayesiana DinámicaBayesiano↔ comparar
- Inferencia Bayesiana JerárquicaBayesiano↔ comparar
- Filtro de KalmanBayesiano↔ comparar
- Inferencia bayesiana multinivelBayesiano↔ comparar
- MCMC para Series TemporalesBayesiano↔ comparar
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →