Bayesian methodsBayesian / computational
시계열 MCMC
시계열 MCMC는 마르코프 연쇄 몬테카를로 방법을 시간 순서 데이터에 대한 베이즈 추론에 적용합니다. 단일 모수 추정치를 최적화하는 대신, 모수와 잠재 상태의 전체 결합 사후 분포에서 표본을 추출하여 동역학, 추세 및 계절 패턴에 대한 불확실성을 모든 시점에서 정직하게 반영하는 확률 분포를 생성합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/ko/bayesian/time-series-mcmc
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 동적 베이즈 추론베이지안↔ 비교
- 깁스 샘플링(Gibbs Sampling)베이지안↔ 비교
- 해밀토니안 몬테카를로베이지안↔ 비교
- 칼만 필터베이지안↔ 비교
- 파티클 필터 (순차 몬테카를로)베이지안↔ 비교
- 순차 몬테카를로 (Sequential Monte Carlo, SMC)베이지안↔ 비교