Calcul bayésien approximatif pour séries temporelles
L'ABC pour séries temporelles est une méthode d'inférence bayésienne sans vraisemblance qui estime la distribution a posteriori des paramètres du modèle pour des systèmes dynamiques ou indexés temporellement en comparant les statistiques résumées de trajectoires simulées à celles des séries observées, contournant ainsi la nécessité d'évaluer une vraisemblance analytique. Elle est particulièrement précieuse pour les modèles mécanistes ou stochastiques complexes dont les vraisemblances sont intraçables.
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
- Toni, T., Welch, D., Strelkowa, N., Ipsen, A. & Stumpf, M. P. H. (2009). Approximate Bayesian computation scheme for parameter inference and model selection in dynamical systems. Journal of the Royal Society Interface, 6(31), 187–202. DOI: 10.1098/rsif.2008.0172 ↗
- Sisson, S. A., Fan, Y. & Beaumont, M. A. (Eds.) (2018). Handbook of Approximate Bayesian Computation. CRC Press. ISBN: 978-1439881507
Comment citer cette page
ScholarGate. (2026, June 3). Time Series Approximate Bayesian Computation. ScholarGate. https://scholargate.app/fr/bayesian/time-series-approximate-bayesian-computation
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.
- Calcul bayésien approximatifSimulation↔ compare
- Inférence bayésienne dynamiqueBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
- Inférence bayésienne sur séries temporellesBayésien↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →