MCMC dla szeregów czasowych
MCMC dla szeregów czasowych stosuje metody Markowa łańcuchów Monte Carlo do wnioskowania bayesowskiego na danych uporządkowanych w czasie. Zamiast optymalizować pojedynczą estymację parametru, pobiera próbki z pełnego łącznego rozkładu aposteriornego parametrów i stanów ukrytych, generując rozkłady prawdopodobieństwa, które rzetelnie odzwierciedlają niepewność dotyczącą dynamiki, trendów i wzorców sezonowych w każdym punkcie czasowym.
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
- Carter, C. K. & Kohn, R. (1994). On Gibbs sampling for state space models. Biometrika, 81(3), 541–553. DOI: 10.1093/biomet/81.3.541 ↗
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
Jak cytować tę stronę
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/pl/bayesian/time-series-mcmc
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.
- Dynamic Bayesian InferenceStatystyka bayesowska↔ compare
- Próbkowanie GibbsaStatystyka bayesowska↔ compare
- Hamiltonian Monte CarloStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →