Séries temporelles structurelles bayésiennes
Les séries temporelles structurelles bayésiennes (BSTS) sont un cadre de modélisation d'espace d'états, introduit par Scott et Varian (2014), qui décompose une série temporelle en composantes additives — tendance, saisonnalité et régression — et les estime conjointement par inférence bayésienne. Il sous-tend la bibliothèque CausalImpact de Google et constitue un outil puissant pour la prévision et l'analyse causale contrefactuelle des interventions.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Bayesian Structural Time Series Model. ScholarGate. https://scholargate.app/fr/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.
- Modèle ARIMA (Autoregressive Integrated Moving Average)Économétrie↔ compare
- Régression bayésienneBayésien↔ compare
- Analyse de séries chronologiques interrompues (ITS)Inférence causale↔ compare
- Chaîne de Markov Monte Carlo (MCMC)Bayésien↔ compare
- Modèle d'espace d'états (Filtre de Kalman)Économétrie↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →