Bayesiaanse Structurele Tijdreeksen
Bayesiaanse Structurele Tijdreeksen (BSTS) is een state-space modelleringsraamwerk, geïntroduceerd door Scott en Varian (2014), dat een tijdreeks ontleedt in additieve componenten — trend, seizoensinvloeden en regressie — en deze gezamenlijk schat via Bayesiaanse inferentie. Het vormt de basis van Google's CausalImpact-bibliotheek en is een krachtig hulpmiddel voor zowel prognoses als contrafeitelijke causale analyse van interventies.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Scott, S. L. & Varian, H. R. (2014). Predicting the Present with Bayesian Structural Time Series. International Journal of Mathematical Modelling and Numerical Optimisation, 5(1/2), 4–23. DOI: 10.1504/IJMMNO.2014.059942 ↗
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N. & Scott, S. L. (2015). Inferring Causal Impact Using Bayesian Structural Time-Series Models. Annals of Applied Statistics, 9(1), 247–274. DOI: 10.1214/14-AOAS788 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Bayesian Structural Time Series Model. ScholarGate. https://scholargate.app/nl/bayesian/bayesian-structural-time-series
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.
- ARIMA (Autoregressive Integrated Moving Average) ModelEconometrie↔ compare
- Bayesian RegressieBayesiaanse statistiek↔ compare
- Onderbroken Tijdreeks (ITS) AnalyseCausale inferentie↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiaanse statistiek↔ compare
- State Space Model (Kalman Filter)Econometrie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →