Байесовский структурный временной ряд

байесовских структурных временных рядов ( BSTS Модель ) — это статистический метод, используемый для выбора признаков , прогнозирования временных рядов, прогнозирования текущей погоды , определения причинного воздействия и других приложений. Модель предназначена для работы с данными временных рядов .

Модель имеет также перспективное применение в сфере аналитического маркетинга . В частности, его можно использовать для оценки того, насколько различные маркетинговые кампании способствовали изменению объемов веб-поиска, продаж продуктов, популярности бренда и других соответствующих показателей. «различия в различиях» Модели ^[1] и прерывистых временных рядов проекты ^[2] являются альтернативой этому подходу. «В отличие от классических схем «разница в различиях», модели в пространстве состояний позволяют (i) сделать вывод о временной эволюции атрибутивного воздействия, (ii) включить эмпирические априорные данные о параметрах в полностью байесовскую трактовку и (iii) гибко приспосабливаться к множеству источников вариаций, включая изменяющееся во времени влияние одновременных ковариат, то есть синтетический контроль». ^[1]

Общее описание модели

Модель состоит из трех основных компонентов:

Фильтр Калмана . Техника декомпозиции временных рядов. На этом этапе исследователь может добавить различные переменные состояния: тренд, сезонность, регрессию и другие.
Метод шипа и плиты . На этом этапе выбираются наиболее важные предикторы регрессии.
Усреднение по байесовской модели . Объединение результатов и прогнозный расчет.

Модель можно использовать для выявления причин с помощью ее контрфактического предсказания и наблюдаемых данных. ^[1]

Возможным недостатком модели может быть ее относительно сложная математическая основа и трудная реализация в виде компьютерной программы. Однако в языке программирования R есть готовые пакеты для расчета модели BSTS, ^[3]^[4] которые не требуют от исследователя сильной математической подготовки.

См. также

Ссылки

^ Jump up to: ^а ^б ^с «Вывод о причинном воздействии с использованием байесовских моделей структурных временных рядов» . исследование.google.com . Проверено 17 апреля 2016 г.
^ «Проектирование прерванных временных рядов» . Проектирование прерывистых временных рядов . Ассоциация Инсайтов . Проверено 21 марта 2019 г.
^ «БСТ» (PDF) .
^ «Причинно-следственное воздействие» . google.github.io . Проверено 17 апреля 2016 г.

Дальнейшее чтение

Скотт, С.Л., и Вариан, HR, 2014a. Выбор байесовской переменной для прогнозирования экономических временных рядов . Экономический анализ цифровой экономики.
Скотт, С.Л., и Вариан, HR, 2014b. Прогнозирование настоящего с помощью байесовских структурных временных рядов . Международный журнал математического моделирования и численной оптимизации.
Вариан, HR 2014. Большие данные: новые приемы для эконометрики . Журнал экономических перспектив
Бродерсен К.Х., Галлюссер Ф., Келер Дж., Реми Н. и Скотт С.Л. 2015. Вывод о причинном воздействии с использованием байесовских моделей структурных временных рядов . Анналы прикладной статистики.
Пакет R «bsts» .
Пакет R «Каузальное воздействие» .
О'Хара, Р.Б., и Силланпя, М.Дж., 2009. Обзор методов выбора байесовских переменных: что, как и что . Байесовский анализ.
Хоетинг Дж.А. , Мэдиган Д., Рафтери А.Е. и Волинский К.Т. 1999. Усреднение байесовской модели: учебное пособие . Статистическая наука.

[:0-1] Jump up to: ^а ^б ^с «Вывод о причинном воздействии с использованием байесовских моделей структурных временных рядов» . исследование.google.com . Проверено 17 апреля 2016 г.

[2] «Проектирование прерванных временных рядов» . Проектирование прерывистых временных рядов . Ассоциация Инсайтов . Проверено 21 марта 2019 г.

[3] «БСТ» (PDF) .

[4] «Причинно-следственное воздействие» . google.github.io . Проверено 17 апреля 2016 г.

[1]

[2]

[3]

[4]