Dinamik Bayes Model Ortalaması
Dynamic Bayesian Model Averaging · Ayrıca şöyle bilinir: DMA, dynamic model averaging, time-varying BMA, online Bayesian model averaging
Dinamik Bayes Model Ortalaması (DMA), standart Bayes model ortalamasını, en iyi öngörücü modelin zamanla değişebileceği ayarlara genişletir. Rekabet halindeki modeller kümesi üzerinde bir olasılık dağılımı sürdürür ve yeni gözlemler geldikçe bu dağılımı sıralı olarak günceller, böylece model ağırlıklarının tüm örneklem boyunca sabit kalmak yerine evrimleşmesine izin verir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sıralı verileriniz varsa ve öngörüsel ilişkinin zamanla değiştiğinden şüpheleniyorsanız — rejim kaymalarına sahip ekonomik tahminler, kalibrasyonun kaydığı sensör akışları veya tüm örneklem boyunca tek bir modelin kararlı olduğu varsayılamayacağı herhangi bir ayar — DMA'yı kullanın. Özellikle aday model kümesi farklı belirteç kombinasyonlarını kapsıyorsa ve evrimleşmesine izin verilen veriye dayalı değişken seçimi istiyorsanız kullanışlıdır. Kesitsel veriler için standart BMA'nın yerine doğrudan kullanmayın: unutma mekanizması sıralı diziler için tasarlanmıştır. Hesaplama açısından verimli bir yaklaşım olmadan model kümesi çok büyükse (belirteç sayısına göre üstel olarak artan) ve tek, kararlı bir modelin yorumlanabilirliği öncelikliyse bundan kaçının.
Güçlü yönler & sınırlılıklar
- Yapısal kırılmaları ve rejim kaymalarını yakalayarak model ağırlıklarının zamanla değişmesine izin verir.
- Tutarlı bir Bayes çerçevesinde model belirsizliğini parametre belirsizliği ile birleştirir.
- Tüm model kümesi üzerinden ortalama alarak iyi kalibre edilmiş olasılıksal tahminler üretir.
- Unutma faktörü özyinelemesi yoluyla hesaplama açısından elverişlidir, hatta orta büyüklükteki model kümeleriyle bile.
- Her dönemde hangi belirteçlerin önemli olduğunu ortaya koyan zamana bağlı değişken dahil etme olasılıkları sağlar.
- Unutma faktörü alfa ayarlanmalı veya ayarlanmalıdır; varsayılan olarak veriden tahmin edilmez.
- Model kümesi önceden belirtilmelidir; değerlendirme dışı bırakılan modeller asla seçilemez.
- Hesaplama maliyeti aday model sayısıyla artar, yaklaşımlar olmadan çok büyük kümeler için pratik olmaktan çıkar.
- Tek bir modele kıyasla yorumlanabilirlik azalır, çünkü aktif özellik zamanla değişir.
SSS
DMA standart Bayes model ortalamasından nasıl farklıdır?
Standart BMA, mevcut tüm verileri kullanarak sabit model ağırlıkları hesaplar ve bu ağırlıkların zamanla değişmesine izin vermez. DMA, eski kanıtları giderek iskonto eden bir unutma faktörü uygular, böylece her modelin ağırlığının veri üretim sürecindeki değişiklikleri izlemesini sağlar. Yapısal değişimi olmayan durağan veriler için her iki yaklaşım da benzer sonuçlara yakınsar.
Unutma faktörü alfa'yı nasıl seçerim?
Yaygın bir uygulama, bir alfa değeri gridi (örneğin, 0.90, 0.95, 0.99, 1.00) üzerinde bir tutma veya yuvarlanan doğrulama penceresinde öngörüsel log-skorları değerlendirmek ve ortalama öngörüsel doğruluğu maksimize eden değeri seçmektir. 1'e yakın alfa, yavaş değişen veya durağan süreçler için uygundur; 0.9'a daha yakın alfa daha hızlı uyum sağlar ancak daha fazla varyans getirir.
Model kümesi nedir ve ne kadar büyük olabilir?
Model kümesi, algoritmanın dikkate aldığı tüm aday özelliklerin koleksiyonudur. p potansiyel belirteçle, tam küme 2^p üyeye sahiptir, bu da yaklaşık 20 belirtecin ötesinde hesaplama açısından imkansız hale gelir. Dinamik Occam penceresi veya model alt uzayları üzerinde stokastik arama gibi yaklaşımlar daha büyük problemler için kullanılır.
DMA her model içindeki parametre değişimini ele alır mı?
Orijinal olarak formüle edilen DMA, sabit bir model kümesi üzerinden ortalama alır; her modeldeki parametreler, her modelin nasıl belirtildiğine bağlı olarak statik veya zamana bağlı olabilir. DMA'yı durum-uzay veya Kalman filtresi tabanlı modellerle birleştirmek, hem model ağırlıklarının hem de parametrelerin eş zamanlı olarak evrimleşmesine izin verir.
DMA dinamik model seçimi ile aynı mı?
İlgilidirler ancak farklıdırlar. Dinamik model seçimi (DMS) her adımda her zaman en yüksek olasılıklı tek modele tam ağırlık atarken, DMA tüm modeller üzerinde bir karışım sürdürür. DMA genellikle daha iyi kalibre edilmiş olasılıksal tahminler üretir; DMS daha yorumlanabilirdir ancak iki modelin benzer olasılıklara sahip olduğu durumlarda kararsız olabilir.
Kaynaklar
- Raftery, A. E., Karny, 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 ↗
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382-401. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Bayesian Model Averaging. ScholarGate. https://scholargate.app/tr/bayesian/dynamic-bayesian-model-averaging
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dinamik Bayesci ÇıkarımBayesçi↔ karşılaştır
- Dinamik Bayes AğıBayesçi↔ karşılaştır
- Dinamik Varyasyonel InferenceBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır