Bayesian Structural Time Series
Bayesian Structural Time Series (BSTS) är ett ramverk för modellering av tillståndsyta, introducerat av Scott och Varian (2014), som dekomponerar en tidsserie i additiva komponenter – trend, säsongsvariation och regression – och estimerar dem gemensamt genom Bayesiansk inferens. Det ligger till grund för Googles CausalImpact-bibliotek och är ett kraftfullt verktyg för både prognostisering och kontrafaktisk kausal analys av interventioner.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Scott, S. L. & Varian, H. R. (2014). Predicting the Present with Bayesian Structural Time Series. International Journal of Mathematical Modelling and Numerical Optimisation, 5(1/2), 4–23. DOI: 10.1504/IJMMNO.2014.059942 ↗
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N. & Scott, S. L. (2015). Inferring Causal Impact Using Bayesian Structural Time-Series Models. Annals of Applied Statistics, 9(1), 247–274. DOI: 10.1214/14-AOAS788 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Bayesian Structural Time Series Model. ScholarGate. https://scholargate.app/sv/bayesian/bayesian-structural-time-series
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.
- ARIMA (Autoregressive Integrated Moving Average) ModellEkonometri↔ compare
- Bayesiansk regressionBayesiansk statistik↔ compare
- Avbruten tidsserieanalys (ITS)Kausal inferens↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiansk statistik↔ compare
- Tillståndsrumsmodell (Kalmanfilter)Ekonometri↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →