Bayesian Yapısal Zaman Serileri
Bayesian Structural Time Series Model · Ayrıca şöyle bilinir: BSTS, Bayesian Yapısal Zaman Serisi (BSTS), bayesian state-space model, causal impact model
Bayesian Yapısal Zaman Serileri (BSTS), Scott ve Varian (2014) tarafından tanıtılan, bir zaman serisini eğilim, mevsimsellik ve regresyon gibi toplamsal bileşenlere ayıran ve bunları Bayesçi çıkarım yoluyla ortaklaşa tahmin eden bir durum-uzay modelleme çerçevesidir. Google'ın CausalImpact kütüphanesinin temelini oluşturur ve hem tahminleme hem de müdahalelerin nedensel etkisinin karşı-olgusal analizi için güçlü bir araçtır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
En az 30 gözlemden oluşan sürekli bir zaman serisine sahip olduğunuzda ve yapısal bileşenlerini ayırmanız, gelecekteki değerleri kalibre edilmiş belirsizlikle tahmin etmeniz veya karşı-olgusal bir yaklaşımla bir müdahalenin nedensel etkisini tahmin etmeniz gerektiğinde BSTS'yi kullanın. Özellikle aday öngörücülerin sayısının seri uzunluğuna göre büyük olduğu durumlar için uygundur, çünkü çivi-ve-levha önseli değişken seçimini otomatik olarak halleder. BSTS, bileşenlerin toplamsal olduğunu varsayar; eğer çarpımsal yapı baskınsa, modellemeden önce bir log dönüşümü yapılmalıdır. Nedensel çıkarım için CausalImpact çerçevesini kullanırken, müdahale öncesi kontrol dönemi, modelin karşı-olgusalı güvenilir bir şekilde öğrenmesi için yeterince uzun olmalıdır.
Güçlü yönler & sınırlılıklar
- Yorumlanabilir toplamsal bileşenlere — eğilim, mevsimsellik ve regresyon — her birinde sonsal belirsizlikle ayrıştıran bir zaman serisi.
- Çivi-ve-levha önseli, manuel adım adım prosedürler olmaksızın aşırı uyumu önleyerek birçok aday öngörücüden otomatik Bayesçi değişken seçimi gerçekleştirir.
- Karşı-olgusal nedensel çıkarımı (CausalImpact) doğrudan destekler, müdahale olmadan ne olacağını tahmin ederek.
- Normal dağılım varsayımının geçerli olmasını gerektirmez; dağılımsal varsayımlar yaklaşık olsa bile Bayesçi çıkarım mekanizması geçerli kalır.
- Güvenilir bileşen ayrımı ve MCMC yakınsaması için minimum yaklaşık 30 zaman serisi gözlemi gerektirir.
- Klasik durum-uzay veya ARIMA yaklaşımlarına kıyasla hesaplama açısından yoğundur, çünkü tam sonsalın örneklenmesi gerekir.
- Sonuçlar önsel belirlemelere bağlıdır; özellikle önselin baskın olabileceği kısa seriler için önsel duyarlılık analizi zorunludur.
- CausalImpact'tan elde edilen nedensel sonuçlar, zaman serisini ve müdahale zamanlamasını etkileyen ölçülmemiş karıştırıcıların olmadığı varsayımına dayanır.
SSS
BSTS ve ARIMA arasındaki fark nedir?
ARIMA, bir zaman serisini tek bir otoregresif-hareketli ortalama süreci olarak modeller ve güven aralıklarıyla nokta tahminleri üretir. BSTS, seriyi açıkça yorumlanabilir bileşenlere (eğilim, mevsimsellik, regresyon) ayırır ve bunları tam bir Bayesçi çerçevede tahmin eder, nokta tahminleri yerine sonsal dağılımlar üretir. BSTS ayrıca ARIMA'nın yapmadığı çivi-ve-levha önseli aracılığıyla otomatik değişken seçimi gerçekleştirir.
CausalImpact BSTS'yi nasıl kullanır?
CausalImpact, karşı-olgusalı - yani serinin müdahale olmadan nasıl görüneceğini - öğrenmek için müdahale öncesi dönemde bir BSTS modeli uydurur (kontrol serilerini regresör olarak kullanarak). Daha sonra bu karşı-olgusalı müdahale sonrası pencereye ekstrapole eder ve gerçek gözlemlenen değerlerle karşılaştırır. Fark, bir sonsal dağılım olarak ifade edilen tahmini nedensel etkidir. Temel varsayım, ölçülmemiş hiçbir karıştırıcının müdahale zamanında değişmediğidir.
Çivi-ve-levha önseli nedir?
Bir çivi-ve-levha önseli, her regresyon katsayısı için tam olarak sıfırda bir olasılık kütlesi ('çivi') ve sıfırdan uzakta yaygın bir dağılım ('levha') yerleştirir. MCMC örnekleyicisi, her öngörücü için modelde dahil olma sonsal olasılığını tahmin eder. Yüksek dahil etme olasılığına sahip öngörücüler uyuma anlamlı katkıda bulunur; düşük dahil etme olasılığına sahip olanlar etkili bir şekilde düşürülür. Bu, ayrı bir adım adım prosedür olmaksızın değişken seçimini otomatik olarak gerçekleştirir.
BSTS için kaç gözlem gereklidir?
Statwise kaydı minimum 30 gözlem olarak belirler. Daha az noktayla eğilim ve mevsimsel bileşenler güvenilir bir şekilde ayrılamaz ve MCMC yakınsaması zorlaşır. Özellikle CausalImpact için, müdahale öncesi dönemi, modelin güvenilir bir karşı-olgusal öğrenmesi için yeterli veri sağlamak üzere müdahale sonrası pencereden önemli ölçüde daha uzun olmalıdır.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Bayesian Structural Time Series Model. ScholarGate. https://scholargate.app/tr/bayesian/bayesian-structural-time-series
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA (Autoregressive Integrated Moving Average) ModeliEkonometri↔ karşılaştır
- Bayes RegresyonuBayesçi↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Markov Chain Monte Carlo (MCMC)Bayesçi↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır