MCMC pour séries temporelles
Le MCMC pour séries temporelles applique les méthodes de Monte Carlo par chaînes de Markov à l'inférence bayésienne sur des données ordonnées dans le temps. Plutôt que d'optimiser une estimation de paramètre unique, il tire des échantillons de la distribution conjointe complète a posteriori des paramètres et des états latents, produisant des distributions de probabilité qui reflètent honnêtement l'incertitude concernant les dynamiques, les tendances et les motifs saisonniers à chaque point temporel.
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
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/fr/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.
- Inférence bayésienne dynamiqueBayésien↔ compare
- Échantillonnage de GibbsBayésien↔ compare
- Monte Carlo HamiltonienBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →