Bayesowskie uśrednianie modeli szeregów czasowych
Bayesowskie uśrednianie modeli szeregów czasowych (TS-BMA) łączy prognozy z zespołu modeli szeregów czasowych — takich jak specyfikacje AR, VAR czy stanowo-przestrzenne — poprzez ważenie każdego modelu jego prawdopodobieństwem a posteriori, przy danych obserwowanych. Zamiast wybierać jeden model i ignorować niepewność co do tego, który model jest najlepszy, TS-BMA integruje niepewność modelową, generując prognozy, które są bardziej odporne i lepiej skalibrowane niż jakikolwiek pojedynczy model.
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
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382–401. link ↗
- Raftery, A. E., Kárný, 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Time Series Bayesian Model Averaging. ScholarGate. https://scholargate.app/pl/bayesian/time-series-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
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
- Bayesowskie wnioskowanie w szeregach czasowychStatystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →