ScholarGate
Ассистент
Bayesian methodsBayesian / computational

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.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

Источники

  1. Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382–401. link
  2. 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.

Compare side by side
ScholarGateTime series Bayesian model averaging (Time Series Bayesian Model Averaging). Получено 2026-06-15 из https://scholargate.app/ru/bayesian/time-series-bayesian-model-averaging · Набор данных: https://doi.org/10.5281/zenodo.20539026