Bayesian Structural Time Series
Bayesian Structural Time Series (BSTS) to ramy czasowe modelowania stanowo-przestrzennego, wprowadzone przez Scotta i Varina (2014), które rozkłada szereg czasowy na składniki addytywne — trend, sezonowość i regresję — i estymuje je wspólnie za pomocą wnioskowania bayesowskiego. Stanowi ono podstawę biblioteki CausalImpact firmy Google i jest potężnym narzędziem zarówno do prognozowania, jak i do kauzalnej analizy kontrfaktycznej interwencji.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Bayesian Structural Time Series Model. ScholarGate. https://scholargate.app/pl/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.
- Model ARIMA (Autoregressive Integrated Moving Average)Ekonometria↔ compare
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Analiza przerwanych szeregów czasowych (ITS)Wnioskowanie przyczynowe↔ compare
- Łańcuchy Markowa i symulacje Monte Carlo (MCMC)Statystyka bayesowska↔ compare
- Model przestrzeni stanów (filtr Kalmana)Ekonometria↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →