Dynamic Bayesian Model Averaging
Dynamic Bayesian Model Averaging (DMA) rozszerza standardowe uśrednianie modeli bayesowskich na sytuacje, w których najlepszy model predykcyjny może zmieniać się w czasie. Utrzymuje ono rozkład prawdopodobieństwa nad zbiorem konkurencyjnych modeli i sekwencyjnie aktualizuje ten rozkład w miarę napływu nowych obserwacji, pozwalając wagom modeli ewoluować, zamiast pozostawać stałymi w całym okresie obserwacji.
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
- Raftery, A. E., Karny, 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 ↗
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382-401. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Dynamic Bayesian Model Averaging. ScholarGate. https://scholargate.app/pl/bayesian/dynamic-bayesian-model-averaging
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.
- Uśrednianie modeli bayesowskichStatystyka bayesowska↔ compare
- Dynamic Bayesian InferenceStatystyka bayesowska↔ compare
- Sieci Bayesowskie DynamiczneStatystyka bayesowska↔ compare
- Dynamiczna inferencja wariacyjnaStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →