Байесовский структурный временной ряд - Bayesian structural time series

Байесовский структурный временной ряд (BSTS) модель является статистический техника, используемая для выбор функции, прогнозирование временных рядов, прогноз погоды, предполагающие причинно-следственные связи и другие приложения. Модель предназначена для работы с Временные ряды данные.

Модель также имеет многообещающее применение в области аналитических исследований. маркетинг. В частности, его можно использовать для оценки того, насколько различные маркетинговые кампании повлияли на изменение объемов веб-поиска, продаж продуктов, популярности бренда и других соответствующих показателей. Различия в различиях модели^[1] и прерванный временной ряд конструкции^[2] альтернативы этому подходу. «В отличие от классических схем разности в различиях, модели в пространстве состояний позволяют (i) сделать вывод о временной эволюции приписываемого воздействия, (ii) включить эмпирические априорные значения параметров в полностью байесовский подход и (iii) гибко приспосабливать множественные источники вариации, включая изменяющееся во времени влияние одновременных ковариат, то есть синтетических контролей ».^[1]

Общее описание модели

Модель состоит из трех основных компонентов:

1. Фильтр Калмана. Техника декомпозиции временных рядов. На этом этапе исследователь может добавить различные переменные состояния: тренд, сезонность, регрессию и другие.
2. Шип-плита метод. На этом этапе выбираются наиболее важные предикторы регрессии.
3. Усреднение байесовской модели. Объединение результатов и расчет прогноза.

Модель может быть использована для обнаружения причинно-следственных связей с ее контрфактическим предсказанием и наблюдаемыми данными.^[1]

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

Смотрите также

• Байесовский вывод с использованием выборки Гиббса
• Корреляция не подразумевает причинно-следственной связи

Рекомендации

1. «Выявление причинного воздействия с использованием байесовских структурных моделей временных рядов». research.google.com. Получено 2016-04-17.
2. «Прерывистый дизайн временных рядов». Прерывистый дизайн временных рядов. Insights Association. Получено 21 марта 2019.
3. "bsts" (PDF).
4. "Причинное воздействие". google.github.io. Получено 2016-04-17.

дальнейшее чтение

• Скотт, С. Л., и Вариан, Х. Р., 2014a. Выбор байесовских переменных для экономических временных рядов прогнозирования текущей погоды. Экономический анализ цифровой экономики.
• Скотт, С. Л., и Вариан, Х. Р., 2014b. Предсказание настоящего с байесовскими структурными временными рядами. Международный журнал математического моделирования и численной оптимизации.
• Вариан, Х. Р. 2014. Большие данные: новые приемы эконометрики. Журнал экономических перспектив
• Бродерсен, К. Х., Галлуссер, Ф., Келер, Дж., Реми, Н., и Скотт, С. Л. 2015. Выявление причинного воздействия с использованием байесовских структурных моделей временных рядов. Летопись прикладной статистики.
• Пакет R "bsts".
• Пакет R "Причинное воздействие".
• О’Хара, Р. Б., & Силланпяя, М. Дж. 2009. Обзор методов выбора байесовской переменной: что, как и что. Байесовский анализ.
• Хоинг, Дж. А., Мэдиган, Д., Рафтери, А. Э., и Волинский, К. Т. 1999. Усреднение байесовской модели: учебное пособие. Статистическая наука.