Bayessche Zustandsraummodelle
Kurzbeschriebung
Bayessche Zustandsraummodelle sind probabilistische Modelle für dynamische Systeme mit verborgenen (latenten) Zuständen, bei denen sowohl die Systemdynamik als auch die Beobachtungen stochastisch beschrieben werden. Sie formulieren explizit, wie sich ein unbeobachteter Zustand über die Zeit entwickelt und wie Messungen aus diesem Zustand entstehen.
Ein allgemeines bayessches Zustandsraummodell besteht aus einer Zustandsgleichung und einer Beobachtungsgleichung, z. B. '"`UNIQ--math-00000000-QINU`"' '"`UNIQ--math-00000001-QINU`"'. Inference erfolgt bayessch über den Posterior '"`UNIQ--math-00000002-QINU`"', typischerweise mittels Kalman-Filter/-Smoother (linear-gaußsch), Particle Filter (nichtlinear/nicht-gaußsch) oder MCMC.
Der bayessche Rahmen erlaubt die kohärente Propagation von Unsicherheit über Zeit und Ebenen hinweg sowie die Einbindung von Priorwissen. Bayessche Zustandsraummodelle verallgemeinern klassische Filter (z. B. Kalman-Filter) und eignen sich für Nowcasting, Glättung, Prognose und Strukturinferenz.
Anwendbarkeit im Gesundheitssektor
Im Gesundheitswesen und Public Health werden bayessche Zustandsraummodelle eingesetzt zur Echtzeit-Schätzung und Glättung von Zeitreihen mit Messfehlern und Meldeverzug, etwa bei Infektionszahlen, Hospitalisierungen oder Mortalität. Sie sind zentral für Nowcasting und die Schätzung zeitlich variierender Kennzahlen wie der effektiven Reproduktionszahl.
Darüber hinaus eignen sie sich zur Modellierung latenter Prozesse (z. B. wahre Inzidenz vs. beobachtete Meldungen), zur Kombination mehrerer Datenquellen und als Grundlage probabilistischer Prognosen. Ihre Flexibilität macht sie besonders wertvoll bei komplexen Surveillance- und Entscheidungssystemen.
Sonstiges
Verallgemeinert Kalman-Filter (bayesscher Spezialfall)
Unterstützt nichtlineare und nicht-gaußsche Modelle
Rechenaufwendig bei großen oder hochdimensionalen Zuständen
Semantik
Wikidata-Identifikator ist: Q760446
Deutsche Wikipediaseite ist: https://de.wikipedia.org/wiki/Zustandsraummodell
Englische Wikipediaseite ist: https://en.wikipedia.org/wiki/State-space_model
Quelle: Durbin & Koopman (2012), Time Series Analysis by State Space Methods
Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit
Für die Methode benötigte Datenmenge ist mittel
Zweck der Methode ist Inferenz;Simulation;Vorhersage;Operationale Vorhersage„Inferenz;Simulation;Vorhersage;Operationale Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.
Methode ist Mitglied der Methodenfamilie Bayessch;Statistisch;Simulation;Hybrid„Bayessch;Statistisch;Simulation;Hybrid“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.
Interpretierbarkeit der Ergebnisse der Methode ist mittel
Webseite: https://mc-stan.org/docs/stan-users-guide/state-space-models.html