Time series MCMC
Time series MCMC applies Markov chain Monte Carlo methods to Bayesian inference over time-ordered data. Rather than optimising a single parameter estimate, it draws samples from the full joint posterior of parameters and latent states, yielding probability distributions that honestly reflect uncertainty about dynamics, trends, and seasonal patterns across every time point.
Rekod sumber
Petikan disalin secara verbatim daripada rekod sumber kaedah. Tiada pengesahan peringkat tuntutan disimpulkan daripadanya.
- 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
Tuntutan yang dikurasi
Tuntutan disimpan dalam lejar bukti, setiap satu dengan penilaiannya sendiri.
Pandangan ini tidak mencipta penilaian tuntutan apabila lejar tiada.
Kaedah berkaitan
Dijana daripada graf kaedah dan ditunjukkan sebagai perhubungan yang dicadangkan mesin — tiada tuntutan bukti disimpulkan.