Байесовский анализ временных рядов с использованием методов Марковских цепей Монте-Карло
Байесовский анализ временных рядов с использованием методов Марковских цепей Монте-Карло (MCMC) применяется к байесовскому выводу для упорядоченных во времени данных. Вместо оптимизации единичной оценки параметра, он извлекает выборки из полного совместного апостериорного распределения параметров и скрытых состояний, предоставляя вероятностные распределения, которые честно отражают неопределенность в отношении динамики, тенденций и сезонных закономерностей в каждой временной точке.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/ru/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.
- Динамический байесовский выводБайесовские методы↔ compare
- Сэмплирование по ГиббсуБайесовские методы↔ compare
- Гамильтонов Монте-КарлоБайесовские методы↔ compare
- Фильтр КалманаБайесовские методы↔ compare
- Фильтр частиц (последовательное Монте-Карло)Байесовские методы↔ compare
- Последовательный Монте-КарлоБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →