Serie Temporali Strutturali Bayesiane
Le Serie Temporali Strutturali Bayesiane (BSTS) sono un framework di modellazione nello spazio degli stati, introdotto da Scott e Varian (2014), che decompone una serie temporale in componenti additive — trend, stagionalità e regressione — e le stima congiuntamente tramite inferenza bayesiana. Esse sono alla base della libreria CausalImpact di Google e rappresentano uno strumento potente sia per la previsione che per l'analisi causale controfattuale degli interventi.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Bayesian Structural Time Series Model. ScholarGate. https://scholargate.app/it/bayesian/bayesian-structural-time-series
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.
- Modello ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- Regressione BayesianaBayesiano↔ compare
- Analisi delle Serie Storiche Interrotte (ITS)Inferenza causale↔ compare
- Catena di Markov Monte Carlo (MCMC)Bayesiano↔ compare
- Modello a Spazio di Stati (Filtro di Kalman)Econometria↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →