Байесовское усреднение моделей временных рядов
Байесовское усреднение моделей временных рядов (TS-BMA) объединяет прогнозы из ансамбля моделей временных рядов — таких как спецификации AR, VAR или пространственно-временных моделей — путем взвешивания каждой модели по ее апостериорной вероятности при заданных наблюдаемых данных. Вместо выбора одной модели и игнорирования неопределенности относительно того, какая модель является лучшей, TS-BMA интегрирует неопределенность модели, производя прогнозы, которые являются более робастными и лучше откалиброванными, чем прогнозы любой отдельной модели.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Time Series Bayesian Model Averaging. ScholarGate. https://scholargate.app/ru/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.
- Байесовское усреднение моделейБайесовские методы↔ compare
- Байесовская регрессияБайесовские методы↔ compare
- Фильтр КалманаБайесовские методы↔ compare
- Последовательный Монте-КарлоБайесовские методы↔ compare
- Байесовский вывод для временных рядовБайесовские методы↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →