Idősori MCMC
Az idősori MCMC a Markov-lánc Monte Carlo (MCMC) módszereket alkalmazza a Bayes-i következtetéshez időben rendezett adatokon. Egyetlen paraméterbecslés optimalizálása helyett a paraméterek és a rejtett állapotok teljes közös utóeloszlásából mintáz, valószínűségi eloszlásokat eredményezve, amelyek őszintén tükrözik a bizonytalanságot a dinamika, a trendek és a szezonális mintázatok tekintetében minden időpontban.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/hu/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.
- Dinamikus Bayes-i következtetésBayes-statisztika↔ compare
- Gibbs-mintavételBayes-statisztika↔ compare
- Hamiltonian Monte CarloBayes-statisztika↔ compare
- Kalman-szűrőBayes-statisztika↔ compare
- A részecskeszűrő (szekvenciális Monte Carlo)Bayes-statisztika↔ compare
- Szekvenciális Monte CarloBayes-statisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →