Ця стаття містить перелік посилань, але походження окремих тверджень залишається незрозумілим через брак внутрішньотекстових джерел-виносок. Будь ласка, допоможіть поліпшити цю статтю, перетворивши джерела з переліку посилань на джерела-виноски у самому тексті статті. Зверніться на сторінку обговорення за поясненнями та допоможіть виправити недоліки. (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:

1. Фільтр Калмана. Методика для розкладання часових рядів. На цьому кроці дослідник може додати різні змінні стану: тенденцію, сезонність, повертання до попереднього стану та інші.
2. Піково-пластинний^[en] метод. На цьому кроці обираються найважливіші передбачувачі регресії.
3. 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.

• Баєсове висновування із застосуванням ґіббсової вибірки^[en]
• Кореляція не означає спричинювання

• 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.)