Bayesowski model hierarchiczny szeregów czasowych
Bayesowski model hierarchiczny szeregów czasowych łączy hierarchiczne (wielopoziomowe) ramy bayesowskie ze strukturą dynamicznego modelu stanu do analizy danych czasowych zebranych dla wielu jednostek lub grup. Priory kodują przekonania dotyczące zarówno dynamiki wewnątrzjednostkowej, jak i zmienności międzyjednostkowej, a rozkład aposterioryczny uzyskuje się za pomocą MCMC lub próbkowania sekwencyjnego Monte Carlo, co daje pełne prognozy probabilistyczne z skalibrowaną niepewnością.
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
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
Jak cytować tę stronę
ScholarGate. (2026, June 3). Time Series Bayesian Hierarchical Model. ScholarGate. https://scholargate.app/pl/bayesian/time-series-bayesian-hierarchical-model
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.
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Sieci Bayesowskie DynamiczneStatystyka bayesowska↔ compare
- Hierarchiczna inferencja bayesowskaStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Wielopoziomowe wnioskowanie bayesowskieStatystyka bayesowska↔ compare
- MCMC dla szeregów czasowychStatystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →