Байесовская иерархическая модель временных рядов
Байесовская иерархическая модель временных рядов объединяет иерархическую (многоуровневую) байесовскую структуру с динамической моделью пространства состояний для анализа временных данных, собранных по множеству единиц или групп. Априорные распределения кодируют представления как о динамике внутри единицы, так и о вариации между единицами, а апостериорное распределение получается с помощью MCMC или последовательного Монте-Карло, что дает полные вероятностные прогнозы с калиброванной неопределенностью.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
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). Time Series Bayesian Hierarchical Model. ScholarGate. https://scholargate.app/ru/bayesian/time-series-bayesian-hierarchical-model
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Байесовская регрессияБайесовские методы↔ сравнить
- Динамическая байесовская сетьБайесовские методы↔ сравнить
- Иерархический байесовский выводБайесовские методы↔ сравнить
- Фильтр КалманаБайесовские методы↔ сравнить
- Многоуровневое байесовское моделированиеБайесовские методы↔ сравнить
- Time series MCMCБайесовские методы↔ сравнить
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →