Bayesiansk strukturell tidsserie

Bayesiansk strukturell tidsseriemodell ( BSTS ) är en statistisk teknik som används för funktionsval , tidsserieprognoser, nowcasting , slutsats av orsakseffekter och andra tillämpningar. Modellen är designad för att fungera med tidsseriedata .

Modellen har också lovande tillämpning inom analytisk marknadsföring . I synnerhet kan den användas för att bedöma hur mycket olika marknadsföringskampanjer har bidragit till förändringen av webbsökvolymer, produktförsäljning, varumärkespopularitet och andra relevanta indikatorer. Difference-in-differences- modeller och avbrutna tidsseriedesigner är alternativ till detta tillvägagångssätt. "I motsats till klassiska skillnader-i-skillnader-scheman gör stat-rymdmodeller det möjligt att (i) sluta sig till den tidsmässiga utvecklingen av hänförbar påverkan, (ii) införliva empiriska utgångspunkter för parametrarna i en fullständigt Bayesiansk behandling, och (iii) flexibelt tillgodose flera variationskällor, inklusive tidsvarierande inflytande från samtida kovariater, dvs syntetiska kontroller."

Allmän modellbeskrivning

Modellen består av tre huvudkomponenter:

1. Kalman filter . Tekniken för tidsserienedbrytning. I det här steget kan en forskare lägga till olika tillståndsvariabler: trend, säsongsvariation, regression och andra.
2. Spike-and-slab- metod. I detta steg väljs de viktigaste regressionsprediktorerna ut.
3. Bayesiansk modell i genomsnitt . Kombinera resultaten och förutsägelseberäkning.

Modellen skulle kunna användas för att upptäcka orsakssambanden med dess kontrafaktiska förutsägelse och observerade data.

En möjlig nackdel med modellen kan vara dess relativt komplicerade matematiska underlag och svåra implementering som datorprogram. Programmeringsspråket R har dock färdiga paket för att beräkna BSTS-modellen, som inte kräver en stark matematisk bakgrund från en forskare.

Se även

• Bayesiansk slutledning med hjälp av Gibbs sampling
• Korrelation innebär inte orsakssamband

Vidare läsning

• Scott, SL och Varian, HR 2014a. Bayesiansk variabelval för nusändning av ekonomiska tidsserier . Ekonomisk analys av den digitala ekonomin.
• Scott, SL och Varian, HR 2014b. Förutsäga nuet med bayesianska strukturella tidsserier . International Journal of Mathematical Modeling and Numerical Optimization.
• Varian, HR 2014. Big Data: New Tricks for Econometrics . Journal of Economic Perspectives
• Brodersen, KH, Gallusser, F., Koehler, J., Remy, N., & Scott, SL 2015. Att sluta sig till orsakseffekter med hjälp av Bayesianska strukturella tidsseriemodeller . Annals of Applied Statistics.
• R-paket "bsts" .
• R-paket "CausalImpact" .
• O'Hara, RB, & Sillanpää, MJ 2009. En genomgång av Bayesianska variabelselektionsmetoder: vad, hur och vilket . Bayesiansk analys.
• Hoeting, JA , Madigan, D., Raftery, AE, & Volinsky, CT 1999. Bayesiansk modell i genomsnitt: en handledning . Statistisk vetenskap.