贝叶斯结构时间序列

贝叶斯结构时间序列（BSTS）是一种用于时间序列预测和因果推断的统计方法，它结合状态空间模型与贝叶斯推断，以处理不确定性和缺失数据。

贝叶斯结构时间序列（BSTS）是一种用于建模和预测时间序列数据的统计框架。它将状态空间模型与贝叶斯推断相结合，能够将序列分解为趋势、季节性和回归成分，同时为所有参数提供完整的后验分布。该方法因其处理缺失数据、纳入先验信息以及量化预测和因果效应估计中不确定性的能力而备受重视。

该方法在2010年代中期通过学术工作和开源实现（尤其是Google开发的CausalImpact包）而得到普及。BSTS已成为计量经济学、流行病学和营销分析等领域的标准工具，在这些领域中，理解干预或事件对时间序列的影响至关重要。其灵活性和概率性质使其区别于ARIMA等经典时间序列方法，后者通常要求平稳性并将参数视为固定值。

核心成分

BSTS模型建立在状态空间表示之上，其中观测时间序列\( y_t \)表示为潜在状态向量\( \alpha_t \)的函数。观测方程通常为\( y_t = Z_t^T \alpha_t + \varepsilon_t \)，状态根据\( \alpha_{t+1} = T_t \alpha_t + R_t \eta_t \)演化，误差项\( \varepsilon_t \)和\( \eta_t \)假定为高斯分布。状态向量可包含多个成分：局部线性趋势、季节性成分（通常使用傅里叶项或虚拟变量建模）以及外部预测因子的回归系数。

一个关键特征是回归系数上使用尖峰-平板先验。这种先验分布允许模型自动进行变量选择，将不相关的系数收缩至零，同时保留重要的预测因子。当潜在协变量的数量相对于样本量较大时（这在观测研究中很常见），这一点尤其有用。

贝叶斯推断与计算

BSTS中的推断通过马尔可夫链蒙特卡洛（MCMC）方法进行，通常使用吉布斯采样。状态空间结构允许通过卡尔曼滤波和平滑器高效采样潜在状态，而回归系数和方差参数则条件更新。贝叶斯方法为每个量产生后验分布，从而能够为预测和效应估计提供可信区间。

一个实际优势是自然处理缺失观测。在状态空间框架中，缺失值被视为潜在变量，并在采样过程中进行插补，避免了单独的插补步骤。这对于因报告延迟或数据收集问题而存在缺口的数据集尤其有益。

因果影响分析

BSTS的一个突出应用是因果效应估计，如CausalImpact R包中所实现。该方法通过在干预前期间对一组控制时间序列拟合BSTS模型，为受处理单元构建合成控制。模型学习受处理序列与控制序列之间的关系，然后预测干预后期间的反事实结果。观测值与预测值之间的差异提供了因果效应的估计，并附有不确定性区间。

这种方法已广泛用于评估营销活动、政策变化或公共卫生干预的效果。例如，研究人员已将其应用于衡量广告支出对销售的影响或新法律对交通事故的影响。该方法的力量在于其无需随机实验即可考虑趋势和季节性的能力。

软件实现

有多个软件包实现BSTS。Google于2014年发布的原始CausalImpact包在R中仍然流行。同样来自Google的bsts R包为构建自定义状态空间模型提供了更通用的框架。在Python中，pycausalimpact库提供了CausalImpact的移植版本，而statsmodels库包含一些状态空间功能，尽管对贝叶斯变量选择的强调较少。

这些工具降低了入门门槛，使不具备深厚贝叶斯统计专业知识的从业者也能应用BSTS。然而，用户仍需做出建模选择，例如季节性成分的数量或回归系数的先验分布，这些选择会影响结果。

局限性与注意事项

与经典方法相比，BSTS计算强度大，尤其是对于长序列或许多协变量，因为需要进行MCMC采样。收敛诊断对于确保可靠的后验估计是必要的。该方法还假定线性和高斯误差，这可能不适用于计数数据或高度偏斜的分布，尽管存在针对泊松分布和其他族的扩展。

另一个局限性是因果应用中依赖控制序列的选择。如果控制序列预测能力差或本身受到干预影响，反事实估计可能会有偏差。尽管存在这些挑战，BSTS仍然是一个稳健且灵活的工具，弥合了传统计量经济学与现代机器学习方法之间的差距。