Баєсів структурний часовий ряд
 | Ця стаття містить перелік посилань, але походження окремих тверджень залишається незрозумілим через брак внутрішньотекстових джерел-виносок. (липень 2018) |
Модель бає́сового структу́рного часово́го ря́ду (БСЧР, англ. bayesian structural time series, BSTS) — це методика машинного навчання, що її застосовують для обирання ознак, передбачування часових рядів, надкороткочасного прогнозування[en], з'ясовування причинного впливу та інших застосувань. Цю модель розроблено для роботи з даними часових рядів.
Ця модель також має обнадійливе застосування в галузі аналітичного маркетингу. Зокрема, її можливо застосовувати для оцінювання внеску різних маркетингових кампаній до зміни в об'ємах вебпошуку, продажах продукту, популярності бренду та інших доречних індикаторах (звичним альтернативним підходом в цьому випадку є модель різниці в різницях[en]).[1] «На противагу до класичних схем різниці-в-різницях, станово-просторові моделі уможливлюють (i) висновування про розгортання приписуваного впливу в часі, (ii) включення емпіричних апріорних до параметрів у повністю баєсовому трактуванні, та (iii) гнучке пристосовування численних джерел мінливості, включно зі змінюваним у часі впливом одночасних коваріат, наприклад, штучних керувань.»[1]
Ця модель складається з трьох основних частин:
- Фільтр Калмана. Методика для розкладання часових рядів. На цьому кроці дослідник може додати різні змінні стану: тенденцію, сезонність, повертання до попереднього стану та інші.
- Піково-пластинний[en] метод. На цьому кроці обираються найважливіші передбачувачі регресії.
- Баєсове усереднювання моделей. Поєднання результатів та обчислення передбачення.
Цю модель можливо використовувати для виявляння спричинювання за допомогою її припущень від зворотного та фактичних даних.[1]
Можливим недоліком цієї моделі може бути відносно складна математична основа та складне втілення як комп'ютерної програми. Проте, мова програмування R має готові для використання пакети для обчислення моделі БСЧР (англ. BSTS),[2][3] які не вимагають від дослідника сильної математичної кваліфікації.
- ↑ а б в Inferring causal impact using Bayesian structural time-series models. research.google.com. Архів оригіналу за 24 жовтня 2017. Процитовано 17 квітня 2016. (англ.)
- ↑ bsts (PDF). Архів оригіналу (PDF) за 25 листопада 2017. Процитовано 14 липня 2018. (англ.)
- ↑ CausalImpact. google.github.io. Архів оригіналу за 1 липня 2018. Процитовано 17 квітня 2016. (англ.)
- Scott, S. L., & Varian, H. R. 2014a. Bayesian variable selection for nowcasting economic time series [Архівовано 19 червня 2018 у Wayback Machine.]. Economic Analysis of the Digital Economy. (англ.)
- Scott, S. L., & Varian, H. R. 2014b. Predicting the present with bayesian structural time series [Архівовано 12 липня 2018 у Wayback Machine.]. International Journal of Mathematical Modelling and Numerical Optimisation. (англ.)
- Varian, H. R. 2014. Big Data: New Tricks for Econometrics [Архівовано 17 травня 2018 у Wayback Machine.]. Journal of Economic Perspectives (англ.)
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. 2015. Inferring causal impact using Bayesian structural time-series models [Архівовано 24 жовтня 2017 у Wayback Machine.]. The Annals of Applied Statistics. (англ.)
- Пакет R "bsts" [Архівовано 25 листопада 2017 у Wayback Machine.]. (англ.)
- Пакет R "CausalImpact" [Архівовано 1 липня 2018 у Wayback Machine.]. (англ.)
- O’Hara, R. B., & Sillanpää, M. J. 2009. A review of Bayesian variable selection methods: what, how and which [Архівовано 2 червня 2018 у Wayback Machine.]. Bayesian analysis. (англ.)
- Hoeting, J. A.[en], Madigan, D., Raftery, A. E., & Volinsky, C. T. 1999. Bayesian model averaging: a tutorial [Архівовано 2 червня 2018 у Wayback Machine.]. Statistical science. (англ.)