Modèle bayésien hiérarchique de séries temporelles
Un modèle bayésien hiérarchique de séries temporelles combine le cadre bayésien hiérarchique (multiniveau) avec une structure d'espace d'états dynamique pour analyser des données temporelles collectées sur plusieurs unités ou groupes. Les priors encodent les croyances sur la dynamique intra-unité et la variation inter-unités, et la postérieure est obtenue via MCMC ou Monte Carlo séquentiel, produisant des prévisions probabilistes complètes avec une incertitude calibrée.
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
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Time Series Bayesian Hierarchical Model. ScholarGate. https://scholargate.app/fr/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.
- Régression bayésienneBayésien↔ compare
- Réseau bayésien dynamiqueBayésien↔ compare
- Inférence bayésienne hiérarchiqueBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Inférence bayésienne multiniveauxBayésien↔ compare
- MCMC pour séries temporellesBayésien↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →