Raquel Prado

von

Bayesian Statistics: Time Series Analysis

University of California, Santa Cruz

Über diesen Kurs

2.329 kürzliche Aufrufe

This course for practicing and aspiring data scientists and statisticians. It is the fourth of a four-course sequence introducing the fundamentals of Bayesian statistics. It builds on the course Bayesian Statistics: From Concept to Data Analysis, Techniques and Models, and Mixture models. 
Time series analysis is concerned with modeling the dependency among elements of a sequence of temporally related variables. To succeed in this course, you should be familiar with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference. You will learn how to build models that can describe temporal dependencies and how to perform Bayesian inference and forecasting for the models. You will apply what you've learned with the open-source, freely available software R with sample databases. Your instructor Raquel Prado will take you from basic concepts for modeling temporally dependent data to implementation of specific classes of models

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Stufe „Mittel“

Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.

Ca. 22 Stunden zum Abschließen

Englisch

Untertitel: Englisch

Kompetenzen, die Sie erwerben

Bayesian Statistics
Forecasting
Dynamic Linear Modeling
Time Series
R Programming

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Stufe „Mittel“

Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.

Ca. 22 Stunden zum Abschließen

Englisch

Untertitel: Englisch

Dozent

Raquel Prado

von

University of California, Santa Cruz

UC Santa Cruz is an outstanding public research university with a deep commitment to undergraduate education. It’s a place that connects people and programs in unexpected ways while providing unparalleled opportunities for students to learn through hands-on experience.

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche

Woche 1

6 Stunden zum Abschließen

Week 1: Introduction to time series and the AR(1) process

This module defines stationary time series processes, the autocorrelation function and the autoregressive process of order one or AR(1). Parameter estimation via maximum likelihood and Bayesian inference in the AR(1) are also discussed.

6 Stunden zum Abschließen

9 Videos (Gesamt 94 min), 12 Lektüren, 5 Quiz

9 Videos

Welcome to Bayesian Statistics: Time Series 7m

Stationarity 6m

The autocorrelation function (ACF) 8m

ACF, PACF, Differencing and Smoothing: Examples 11m

The AR(1) 15m

Simulating from an AR(1) process 8m

Maximum likelihood estimation in the AR(1)22m

Bayesian inference in the AR(1)10m

Bayesian inference in the AR(1): Conditional likelihood example 3m

12 Lektüren

Introduction to R10m

List of References 4m

The partial autocorrelation function (PACF)15m

Differencing and Smoothing 10m

R Code: Differencing and filtering via moving averages10m

R Code: Simulate data from a white noise process10m

The PACF of the AR(1) process 15m

R Code: Sample data from AR(1) processes10m

Review of maximum likelihood and Bayesian inference in regression 15m

R code: MLE for the AR(1), examples15m

R Code: AR(1) Bayesian inference, conditional likelihood example 12m

Bayesian inference in the AR(1), full likelihood example 10m

4 praktische Übungen

Objectives of the course 20m

Stationarity, the ACF and the PACF 30m

The AR(1) definitions and properties 30m

MLE and Bayesian inference in the AR(1) 30m

Woche

Woche 2

5 Stunden zum Abschließen

Week 2: The AR(p) process

This module extends the concepts learned in Week 1 about the AR(1) process to the general case of the AR(p). Maximum likelihood estimation and Bayesian posterior inference in the AR(p) are discussed.

5 Stunden zum Abschließen

9 Videos (Gesamt 96 min), 8 Lektüren, 3 Quiz

9 Videos

Definition and state-space representation20m

Examples 17m

ACF of the AR(p)7m

Simulating data from an AR(p)11m

Bayesian inference in the AR(p): Reference prior, conditional likelihood 8m

Model order selection6m

Example: Bayesian inference in the AR(p), conditional likelihood 12m

Spectral representation of the AR(p)5m

Spectral representation of the AR(p): Example 5m

8 Lektüren

Rcode: Computing the roots of the AR polynomial 5m

Rcode: Simulating data from an AR(p)15m

The AR(p): Review 15m

Rcode: Maximum likelihood estimation, AR(p), conditional likelihood 10m

Rcode: Bayesian inference, AR(p), conditional likelihood 10m

Rcode: Model order selection 10m

Rcode: Spectral density of AR(p) 10m

ARIMA processes10m

2 praktische Übungen

Properties of AR processes 30m

Spectral representation of the AR(p)30m

Woche

Woche 3

5 Stunden zum Abschließen

Week 3: Normal dynamic linear models, Part I

Normal Dynamic Linear Models (NDLMs) are defined and illustrated in this module using several examples. Model building based on the forecast function via the superposition principle is explained. Methods for Bayesian filtering, smoothing and forecasting for NDLMs in the case of known observational variances and known system covariance matrices are discussed and illustrated.

5 Stunden zum Abschließen

10 Videos (Gesamt 114 min), 7 Lektüren, 3 Quiz

10 Videos

NDLM: Definition 16m

Polynomial trend models13m

Regression models 8m

The superposition principle 6m

Filtering 19m

Filtering in the NDLM: Example 14m

Smoothing and forecasting 11m

Smoothing in the NDLM: Example6m

Second order polynomial: Filtering and smoothing example7m

Using the dlm package in R 8m

7 Lektüren

Summary of polynomial trend and regression models 10m

Superposition principle: General case10m

Summary of the filtering distributions10m

Rcode. Filtering in the NDLM: Example 10m

Summary of the smoothing and forecasting distributions10m

Rcode: Smoothing in the NDLM, Example10m

Rcode: Using the dlm package in R10m

2 praktische Übungen

The Normal Dynamic Linear Model30m

NDLM, Part I: Review 30m

Woche

Woche 4

4 Stunden zum Abschließen

Week 4: Normal dynamic linear models, Part II

4 Stunden zum Abschließen

7 Videos (Gesamt 103 min), 4 Lektüren, 3 Quiz

7 Videos

Fourier representation17m

Building NDLMs with multiple components: Examples8m

Filtering, Smoothing and Forecasting: Unknown observational variance10m

Specifying the system covariance matrix via discount factors17m

NDLM, Unknown Observational Variance: Example13m

EEG data 17m

Google trends17m

4 Lektüren

Fourier Representation: Example 110m

Summary: DLM Fourier representation 12m

Summary of Filtering, Smoothing and Forecasting Distributions, NDLM unknown observational variance 10m

Rcode: NDLM, Unknown Observational Variance Example 10m

2 praktische Übungen

Seasonal Models and Superposition30m

NDLM, Part II20m

Häufig gestellte Fragen

Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich das Zertifikat erwerbe?
Wenn Sie ein Zertifikat erwerben, erhalten Sie Zugriff auf alle Kursmaterialien, einschließlich bewerteter Aufgaben. Nach Abschluss des Kurses wird Ihr elektronisches Zertifikat zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Ist finanzielle Unterstützung möglich?
Ja, Coursera bietet Kursteilnehmern, die die Gebühr nicht bezahlen können, finanzielle Hilfe an. Sie beantragen diese Hilfe, indem Sie auf den entsprechenden Link links unter der Schaltfläche "Anmelden" klicken. Sie werden dazu aufgefordert, ein Antragsformular auszufüllen, und Sie werden benachrichtigt, wenn Ihr Antrag bewilligt wird. Mehr erfahren.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

Bayesian Statistics: Time Series Analysis

Bayesian Statistics: Time Series Analysis

Über diesen Kurs

Kompetenzen, die Sie erwerben

Dozent

Raquel Prado

von

University of California, Santa Cruz

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche 1

Week 1: Introduction to time series and the AR(1) process

Woche 2

Week 2: The AR(p) process

Woche 3

Week 3: Normal dynamic linear models, Part I

Woche 4

Week 4: Normal dynamic linear models, Part II

Woche 5

Week 5: Final Project

Häufig gestellte Fragen

Starten oder fördern Sie Ihre Karriere

Beliebte Themen durchsuchen

Beliebte Kurse und Artikel

Abschluss oder Zertifikat online erwerben

Coursera

Community

Mehr

Bayesian Statistics: Time Series Analysis

Bayesian Statistics: Time Series Analysis

Über diesen Kurs

Kompetenzen, die Sie erwerben

Dozent

Raquel Prado

von

University of California, Santa Cruz

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche 1

Week 1: Introduction to time series and the AR(1) process

Woche 2

Week 2: The AR(p) process

Woche 3

Week 3: Normal dynamic linear models, Part I

Woche 4

Week 4: Normal dynamic linear models, Part II

Woche 5

Week 5: Final Project

Häufig gestellte Fragen

Coursera Footer

Starten oder fördern Sie Ihre Karriere

Beliebte Themen durchsuchen

Beliebte Kurse und Artikel

Abschluss oder Zertifikat online erwerben

Coursera

Community

Mehr