Dynamic Time Series Models using R-INLA: An Applied Perspective

مدل‌های سری زمانی پویا با استفاده از R-INLA: یک دیدگاه کاربردی نتیجه تلاش مشترک برای توصیف سیستماتیک استفاده از R-INLA برای تجزیه و تحلیل سری‌های زمانی و نمایش کد و شرح با چند مثال این کتاب پایه‌های R-INLA و ابزارهای مورد نیاز برای مدل‌سازی انواع سری‌های زمانی با استفاده از چارچوب تقریبی بیزی را معرفی می‌کند.

این کتاب مرجع ایده‌آلی برای آماردانان و دانشمندان است. که با داده های سری زمانی کار می کنند. این منبع عالی برای آموزش یک دوره در مورد تحلیل بیزی با استفاده از مدل های فضای حالت برای سری های زمانی ارائه می دهد.

ویژگی های کلیدی:

• معرفی و مروری بر R-INLA برای تحلیل سری های زمانی.
• مدل های فضای حالت گاوسی و غیر گاوسی برای زمان سری.
• مدل‌های فضای حالت برای سری‌های زمانی با پیش‌بینی‌کننده‌های برون‌زا.
• مدل های سلسله مراتبی برای مجموعه ای بالقوه بزرگ از سری های زمانی.
• مدلسازی پویا نوسانات تصادفی و وابستگی مکانی-زمانی.

Dynamic Time Series Models using R-INLA: An Applied Perspective is the outcome of a joint effort to systematically describe the use of R-INLA for analysing time series and showcasing the code and description by several examples. This book introduces the underpinnings of R-INLA and the tools needed for modelling different types of time series using an approximate Bayesian framework.

The book is an ideal reference for statisticians and scientists who work with time series data. It provides an excellent resource for teaching a course on Bayesian analysis using state space models for time series.

Key Features:

• Introduction and overview of R-INLA for time series analysis.
• Gaussian and non-Gaussian state space models for time series.
• State space models for time series with exogenous predictors.
• Hierarchical models for a potentially large set of time series.
• Dynamic modelling of stochastic volatility and spatio-temporal dependence.