Aikasarjojen MCMC
Aikasarjojen MCMC soveltaa Markov-ketjun Monte Carlo (MCMC) -menetelmiä Bayesilaiseen päättelyyn aikajärjestyksessä olevasta datasta. Sen sijaan, että se optimoisi yhden parametrin estimaatin, se ottaa otoksia parametrien ja latenttien tilojen täydestä yhteisestä posteriorijakaumasta, tuottaen todennäköisyysjakaumia, jotka rehellisesti heijastavat epävarmuutta dynamiikasta, trendeistä ja kausiluonteisista kuvioista jokaisessa aikapisteessä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/fi/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.
- Dynaaminen Bayesilainen päättelyBayesilainen tilastotiede↔ compare
- Gibbs-otantaBayesilainen tilastotiede↔ compare
- Hamiltonin Monte CarloBayesilainen tilastotiede↔ compare
- Kalman-suodinBayesilainen tilastotiede↔ compare
- Partikkelisuodin (sekventiaalinen Monte Carlo)Bayesilainen tilastotiede↔ compare
- Sekventiaalinen Monte CarloBayesilainen tilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →