Aikasarjojen Bayesilainen hierarkkinen malli
Aikasarjojen Bayesilainen hierarkkinen malli yhdistää hierarkkisen (monitasoisen) Bayesilaisen viitekehyksen dynaamiseen tilamallirakenteeseen analysoidakseen useiden yksiköiden tai ryhmien keräämää aikasarja-aineistoa. Priorit kuvaavat uskomuksia sekä yksikön sisäisestä dynamiikasta että yksiköiden välisestä vaihtelusta, ja posteriorijakauma saadaan Markovin ketju Monte Carlo (MCMC) -menetelmällä tai sekventiaalisella Monte Carlo -menetelmällä, tuottaen täydelliset todennäköisyysennusteet kalibroidulla epävarmuudella.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Time Series Bayesian Hierarchical Model. ScholarGate. https://scholargate.app/fi/bayesian/time-series-bayesian-hierarchical-model
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.
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Dynaaminen Bayesilainen VerkkoBayesilainen tilastotiede↔ compare
- Hierarkkinen Bayesiläinen päättelyBayesilainen tilastotiede↔ compare
- Kalman-suodinBayesilainen tilastotiede↔ compare
- Monitasoinen Bayesilainen päättelyBayesilainen tilastotiede↔ compare
- Aikasarjojen MCMCBayesilainen tilastotiede↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →