Bayesian methodsBayesian / computational
시계열 칼만 필터
시계열 칼만 필터는 상태 공간 표현(state-space representation)의 시계열 모형에 칼만 필터링 및 스무딩 알고리즘을 적용합니다. 이 필터는 관측된 데이터로부터 관측 불가능한 구성 요소(추세, 계절성, 주기, 불규칙 잡음)를 재귀적으로 추출하며, 최적의 필터링 및 스무딩된 상태 추정치와 그 불확실성을 제공하고, 모수 추정을 위한 정확한 우도(likelihood) 평가를 가능하게 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- Durbin, J. & Koopman, S. J. (2012). Time Series Analysis by State Space Methods (2nd ed.). Oxford University Press. ISBN: 978-0199641178
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521321969
이 페이지 인용 방법
ScholarGate. (2026, June 3). Kalman Filter for Time Series State-Space Models. ScholarGate. https://scholargate.app/ko/bayesian/time-series-kalman-filter
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 베이즈 회귀베이지안↔ 비교
- 동적 베이즈 네트워크베이지안↔ 비교
- 칼만 필터베이지안↔ 비교
- 파티클 필터 (순차 몬테카를로)베이지안↔ 비교
- 순차 몬테카를로 (Sequential Monte Carlo, SMC)베이지안↔ 비교
- 시계열 베이즈 추론베이지안↔ 비교