| | 22 | |
| | 23 | =================================================================== |
| | 24 | |
| | 25 | La previsión bayesiana no es más que un caso particular de simulación bayesiana, en la que los parámetros desconocidos son los valores futuros de los nodos de observación, los cuales pueden ser tratados simplemente como valores omitidos desde le punto de vista de BSR. |
| | 26 | |
| | 27 | A partir del modelo original BSR es posible aislar estos valores que faltan en un modelo nuevo cuyo objetivo es dar un mecanismo de inferencia arbitraria sobre esos valores futuros. |
| | 28 | |
| | 29 | La simulación parcial es la forma más simple y rápida de implementar la previsión bayesiana a partir de una MCMC almacenada, por medio de una versión modificada del modelo de estimación. Consiste en un sistema automatizado y fácil de usar con el que es posible seleccionar las variables que deben ser fijadas o recargadas de cadenas simuladas en una sesión de estimación anterior. |
| | 30 | |
| | 31 | La fijación de las variables a la media estimada es la manera más rápida, pero implica el cálculo dee la previsión condicionada por una realización concreta, muy probable pero sólo una, de los parámetros. Es una forma bayesiana de estimar, pero no demasiado. |
| | 32 | |
| | 33 | LA recarga desde una MCMC anterior es un método mucho más robusto para la inferencia, especialmente cuando no hay datos suficientes, o los parámetros estimados no son muy significativas. Dado que los futuros valores que faltan no pueden tener influencia sobre el pasado, si no hay nuevos datos, los parámetros obtenidos en la estimación definitiva, son tan buenos como el día en que fueron estimados. Si hay datos nuevos, entonces podría ser necesaria una batería de pruebas de diagnóstico con el fin de garantizar la calidad del modelo. |
| | 34 | |
| | 35 | Estos son los pasos para convertir el modelo de estimación original en un modelo de pronóstico bayesiano: |
| | 36 | |
| | 37 | * Seleccione una sesión de modelo pasado, cuya MCMC se ha almacenado en un dispositivo persistentes. |
| | 38 | * Marcar como fijos o cargar todos bien conocidos variables disponibles |
| | 39 | * Seleccionar una corta ventana temporal de contraste, de acuerdo con los grados ARIMA, con el fin de alcanzar mayor velocidad de las simulaciones. |
| | 40 | * Añadir variables de omitidos del output en la ventana temporal de previsión. |
| | 41 | * Añadir variables de omitidos de los inputs en la ventana temporal de previsión. |
| | 42 | * Añadir posible variables de entrada que faltan a lo largo de las previsiones de ventana de tiempo |
| | 43 | * Añadir fuerte información a priori sobre los omitidos de inputs y output para evitar colinealidades. |
| | 44 | * Por último, no es ningún problema, si es necesario, añadir nuevas variables detectadas en un solo paso de reestimación y previsión. |
