MCMC para Séries Temporais
MCMC para séries temporais aplica métodos de Monte Carlo via cadeia de Markov à inferência Bayesiana sobre dados ordenados no tempo. Em vez de otimizar uma única estimativa de parâmetro, ele extrai amostras da distribuição posterior conjunta completa de parâmetros e estados latentes, produzindo distribuições de probabilidade que refletem honestamente a incerteza sobre dinâmicas, tendências e padrões sazonais em cada ponto no tempo.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/pt/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.
- Inferência Bayesiana DinâmicaBayesiano↔ compare
- Amostragem de GibbsBayesiano↔ compare
- Monte Carlo HamiltonianoBayesiano↔ compare
- Filtro de KalmanBayesiano↔ compare
- Filtro de Partículas (Monte Carlo Sequencial)Bayesiano↔ compare
- Monte Carlo SequencialBayesiano↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →