Bayesovská strukturální časová řada - Bayesian structural time series
 | Tento článek obsahuje seznam obecných Reference, ale zůstává z velké části neověřený, protože postrádá dostatečné odpovídající vložené citace. (Duben 2016) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) |
Bayesovská strukturální časová řada (BSTS) model je a statistický technika použitá pro výběr funkcí, předpovědi časových řad, nowcasting, odvodit kauzální dopad a další aplikace. Model je navržen pro práci s časové řady data.
Model má také slibné uplatnění v oblasti analytiky marketing. Lze jej použít zejména k posouzení toho, jak mnoho různých marketingových kampaní přispělo ke změně objemu vyhledávání na webu, prodeje produktů, popularity značky a dalších relevantních ukazatelů. Rozdíl v rozdílech modely[1] a přerušená časová řada vzory[2] jsou alternativy k tomuto přístupu. „Na rozdíl od klasických schémat rozdílů v rozdílech umožňují modely stavu a prostoru (i) odvodit časový vývoj přičitatelného dopadu, (ii) začlenit empirické přednosti parametrů do plně Bayesovského zacházení a (iii) flexibilně pojmout více zdrojů variací, včetně časově proměnlivého vlivu současných kovariát, tj. syntetických kontrol. “[1]
Obecný popis modelu
Model se skládá ze tří hlavních komponent:
- Kalmanův filtr. Technika rozkladu časových řad. V tomto kroku může výzkumník přidat různé stavové proměnné: trend, sezónnost, regrese a další.
- Špice a deska metoda. V tomto kroku jsou vybrány nejdůležitější prediktory regrese.
- Bayesovský model zprůměrován. Kombinace výsledků a výpočtu predikce.
Model by mohl být použit k objevení příčin s jeho kontrafaktuální predikcí a pozorovanými daty.[1]
Možnou nevýhodou modelu může být jeho relativně komplikovaná matematická podpora a obtížná implementace jako počítačového programu. Programovací jazyk však R má balíčky připravené k použití pro výpočet modelu BSTS,[3][4] které od výzkumného pracovníka nevyžadují silné matematické zázemí.
Viz také
Reference
- ^ A b C „Odvození kauzálního dopadu pomocí Bayesovských strukturálních modelů časových řad“. research.google.com. Citováno 2016-04-17.
- ^ „Přerušený design časové řady“. Přerušený design časové řady. Insights Association. Citováno 21. března 2019.
- ^ "BST" (PDF).
- ^ „Příčinný dopad“. google.github.io. Citováno 2016-04-17.
Další čtení
- Scott, S. L., & Varian, H. R. 2014a. Bayesiánský výběr proměnných pro současné ekonomické časové řady. Ekonomická analýza digitální ekonomiky.
- Scott, S. L., & Varian, H. R. 2014b. Předpovídání současnosti s bayesovskými strukturálními časovými řadami. International Journal of Mathematical Modeling and Numerical Optimization.
- Varian, H. R. 2014. Big Data: Nové triky pro ekonometrii. Journal of Economic Perspectives
- Brodersen, K.H., Gallusser, F., Koehler, J., Remy, N., & Scott, S.L. 2015. Odvození kauzálního dopadu pomocí Bayesovských strukturálních modelů časových řad. Annals of Applied Statistics.
- Balíček R. "BST".
- Balíček R. „Příčinný dopad“.
- O’Hara, R. B., & Sillanpää, M. J. 2009. Přehled Bayesiánských metod výběru proměnných: co, jak a které. Bayesovská analýza.
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. 1999. Bayesiánský průměrování modelu: výukový program. Statistická věda.