Time Series MCMC
Time series MCMC คือการประยุกต์ใช้วิธีการ Markov chain Monte Carlo (MCMC) กับการอนุมานแบบเบย์ (Bayesian inference) กับข้อมูลที่เรียงลำดับตามเวลา แทนที่จะหาค่าประมาณพารามิเตอร์เพียงค่าเดียว วิธีนี้จะทำการสุ่มตัวอย่างจาก posterior ร่วม (joint posterior) ของพารามิเตอร์และสถานะแฝง (latent states) ซึ่งให้การแจกแจงความน่าจะเป็นที่สะท้อนความไม่แน่นอนเกี่ยวกับพลวัต (dynamics) แนวโน้ม (trends) และรูปแบบตามฤดูกาล (seasonal patterns) ณ ทุกจุดเวลาได้อย่างถูกต้อง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/th/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.
- การอนุมานแบบเบย์เชิงพลวัตเบย์↔ compare
- การสุ่มตัวอย่างแบบกิบบส์เบย์↔ compare
- Hamiltonian Monte Carloเบย์↔ compare
- Kalman Filterเบย์↔ compare
- Particle Filter (Sequential Monte Carlo)เบย์↔ compare
- Sequential Monte Carloเบย์↔ compare