Modélisation bayésienne dynamique par moyenne (DMA)
La modélisation bayésienne dynamique par moyenne (DMA) étend la moyenne bayésienne standard des modèles aux contextes où le meilleur modèle prédictif peut changer au fil du temps. Elle maintient une distribution de probabilité sur un ensemble de modèles concurrents et met à jour cette distribution séquentiellement à mesure que de nouvelles observations arrivent, permettant aux poids des modèles d'évoluer plutôt que de rester fixes sur l'ensemble de l'échantillon.
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
- Raftery, A. E., Karny, M., & Ettler, P. (2010). Online prediction under model uncertainty via dynamic model averaging: Application to a cold rolling mill. Technometrics, 52(1), 52-66. DOI: 10.1198/TECH.2009.08104 ↗
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382-401. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Dynamic Bayesian Model Averaging. ScholarGate. https://scholargate.app/fr/bayesian/dynamic-bayesian-model-averaging
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.
- Moyenne Bayésienne de ModèlesBayésien↔ compare
- Inférence bayésienne dynamiqueBayésien↔ compare
- Réseau bayésien dynamiqueBayésien↔ compare
- Inférence variationnelle dynamiqueBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →