Динамическая байесовская иерархическая модель
Динамическая байесовская иерархическая модель (Dynamic Bayesian Hierarchical Model) объединяет многоуровневую структуру байесовских иерархических моделей с явным уравнением временной эволюции для латентных состояний. Наблюдения в каждой временной точке связаны с ненаблюдаемыми динамическими состояниями, которые эволюционируют согласно вероятностному закону перехода, в то время как общий гиперприор объединяет информацию по единицам или уровням, обеспечивая согласованный вывод во времени и по группам одновременно.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Dynamic Bayesian Hierarchical Model. ScholarGate. https://scholargate.app/ru/bayesian/dynamic-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.
- Иерархический байесовский выводБайесовские методы↔ compare
- Фильтр КалманаБайесовские методы↔ compare
- Фильтр частиц (последовательное Монте-Карло)Байесовские методы↔ compare
- Последовательный Монте-КарлоБайесовские методы↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →