Dieses Modul erweitert die in Woche 1 erlernten Konzepte über den AR(1)-Prozess auf den allgemeinen Fall des AR(p). Die Maximum-Likelihood-Schätzung und die Bayes'sche Posterior-Inferenz im AR(p) werden besprochen.

Normale dynamische lineare Modelle (NDLMs) werden in diesem Modul definiert und anhand mehrerer Beispiele erläutert. Die Modellbildung auf der Grundlage der Prognosefunktion über das Überlagerungsprinzip wird erläutert. Methoden zur Bayes'schen Filterung, Glättung und Vorhersage für NDLMs im Falle bekannter Beobachtungsabweichungen und bekannter Systemkovarianzmatrizen werden besprochen und veranschaulicht.

In diesem Modul werden Sie normale dynamische lineare Modelle erweitern, um saisonale Strukturen und komplexere Modellkomponenten unter Verwendung von Fourier-Darstellungen und dem Überlagerungsprinzip zu behandeln. Sie werden sich auch mit Bayes'scher Filterung, Glättung und Vorhersage beschäftigen, wenn die Abweichung der Beobachtung unbekannt ist, einschließlich der Verwendung von Abzinsungsfaktoren zur Spezifizierung von System-Kovarianzmatrizen.

In diesem Abschlussprojekt werden Sie normale dynamische lineare Modelle verwenden, um einen von Google Trend heruntergeladenen Zeitreihendatensatz zu analysieren.