Bayesian Structural Time Series
Bayesian Structural Time Series (BSTS) is a state-space modelling framework, introduced by Scott and Varian (2014), that decomposes a time series into additive components — trend, seasonality, and regression — and estimates them jointly through Bayesian inference. It underpins Google's CausalImpact library and is a powerful tool for both forecasting and counterfactual causal analysis of interventions.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- Scott, S. L. & Varian, H. R. (2014). Predicting the Present with Bayesian Structural Time Series. International Journal of Mathematical Modelling and Numerical Optimisation, 5(1/2), 4–23. · DOI 10.1504/IJMMNO.2014.059942
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N. & Scott, S. L. (2015). Inferring Causal Impact Using Bayesian Structural Time-Series Models. Annals of Applied Statistics, 9(1), 247–274. · DOI 10.1214/14-AOAS788
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.