Laika sēriju Baiesa hierarhiskais modelis
Laika sēriju Baiesa hierarhiskais modelis apvieno hierarhisko (daudzlīmeņu) Baiesa sistēmu ar dinamisko stāvokļa telpas struktūru, lai analizētu laika datus, kas savākti par vairākām vienībām vai grupām. Prioritātes kodē uzskatus gan par dinamiku vienību iekšienē, gan par atšķirībām starp vienībām, un posteriora sadalījums tiek iegūts, izmantojot MCMC vai secīgu Montekarlo metodi, nodrošinot pilnīgus probabilistiskus prognozes ar kalibrētu nenoteiktību.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
Kā citēt šo lapu
ScholarGate. (2026, June 3). Time Series Bayesian Hierarchical Model. ScholarGate. https://scholargate.app/lv/bayesian/time-series-bayesian-hierarchical-model
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.
- Beijesiskā regresijaBajesa metodes↔ compare
- Dinamiskais beijes tīklsBajesa metodes↔ compare
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Kalman FilterBajesa metodes↔ compare
- Daudzlīmeņu Bēsa secinājumiBajesa metodes↔ compare
- Laika rindu MCMCBajesa metodes↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →