Laika rindu MCMC
Laika rindu MCMC (Markova ķēdes Montekarlo) metodes pielieto Bejesa secinājumiem laika secībā sakārtotiem datiem. Tā vietā, lai optimizētu vienu parametra novērtējumu, tā ņem paraugus no pilnīgas kopīgās parametru un latentu stāvokļu a posteriori sadalījuma, iegūstot varbūtības sadalījumus, kas godīgi atspoguļo nenoteiktību par dinamiku, tendencēm un sezonālajiem modeļiem katrā laika punktā.
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
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/lv/bayesian/time-series-mcmc
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.
- Dinamiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Gibbs SamplingBajesa metodes↔ compare
- Hamiltona MontekarloBajesa metodes↔ compare
- Kalman FilterBajesa metodes↔ compare
- Particle Filter (Sequential Monte Carlo)Bajesa metodes↔ compare
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →