MCMC سری زمانی
MCMC سری زمانی روشهای مونت کارلو زنجیره مارکوف را برای استنتاج بیزی بر روی دادههای مرتبشده زمانی به کار میگیرد. به جای بهینهسازی یک تخمین پارامتر واحد، نمونههایی را از توزیع پسین مشترک کامل پارامترها و حالتهای نهان استخراج میکند و توزیعهای احتمالی را ارائه میدهد که عدم قطعیت در مورد دینامیکها، روندها و الگوهای فصلی را در هر نقطه زمانی صادقانه منعکس میکنند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/fa/bayesian/time-series-mcmc
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- استنتاج بیزی پویابیزی↔ مقایسه
- نمونهگیری گیبسبیزی↔ مقایسه
- هامیلتونی مونت کارلوبیزی↔ مقایسه
- فیلتر کالمنبیزی↔ مقایسه
- فیلتر ذرهای (مونت کارلوی ترتیبی)بیزی↔ مقایسه
- مونتکارلوی ترتیبیبیزی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →