Laika sēriju Beijesa modeļu vidējo vērtību noteikšana
Laika sēriju Beijesa modeļu vidējo vērtību noteikšana (TS-BMA) apvieno prognozes no laika sēriju modeļu ansambļa — piemēram, AR, VAR vai stāvokļa telpas specifikācijām — piešķirot katram modelim svaru, kas atbilst tā posteriorajai varbūtībai, ņemot vērā novērotos datus. Tā vietā, lai izvēlētos vienu modeli un ignorētu nenoteiktību par to, kurš modelis ir labākais, TS-BMA integrē modeļu nenoteiktību, radot prognozes, kas ir noturīgākas un labāk kalibrētas nekā jebkurš atsevišķs modelis.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382–401. link ↗
- Raftery, A. E., Kárný, M., & Ettler, P. (2010). Online prediction under model uncertainty via dynamic model averaging: Application to a cold rolling mill. Technometrics, 52(1), 52–66. DOI: 10.1198/TECH.2009.08104 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Time Series Bayesian Model Averaging. ScholarGate. https://scholargate.app/lv/bayesian/time-series-bayesian-model-averaging
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Brojesa modeļu vidējais svērumsBajesa metodes↔ salīdzināt
- Beijesiskā regresijaBajesa metodes↔ salīdzināt
- Kalman FilterBajesa metodes↔ salīdzināt
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ salīdzināt
- Bēzijas laika rindu secinājumiBajesa metodes↔ salīdzināt
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →