Benjamin T. Vincent 的文章
辛普森悖论
- 21 九月 2024
辛普森悖论描述了一种情况，即在某个组内两个变量之间可能存在负相关关系，但当来自多个组的数据合并时，这种关系可能会消失甚至反转符号。下面的gif（来自辛普森悖论的维基百科页面）很好地展示了这一点。
辛普森悖论
- 21 九月 2024
辛普森悖论描述了一种情况，即在某个组内两个变量之间可能存在负相关关系，但当来自多个组的数据合并时，这种关系可能会消失甚至反转符号。下面的gif（来自辛普森悖论的维基百科页面）很好地展示了这一点。
辛普森悖论
- 21 九月 2024
辛普森悖论描述了一种情况，即在某个组内两个变量之间可能存在负相关关系，但当来自多个组的数据合并时，这种关系可能会消失甚至反转符号。下面的gif（来自辛普森悖论的维基百科页面）很好地展示了这一点。
辛普森悖论
- 21 九月 2024
辛普森悖论描述了一种情况，即在某个组内两个变量之间可能存在负相关关系，但当来自多个组的数据合并时，这种关系可能会消失甚至反转符号。下面的gif（来自辛普森悖论的维基百科页面）很好地展示了这一点。
贝叶斯copula估计：描述相关的联合分布
- 21 十二月 2023
当我们处理多个变量（例如 \(a\) 和 \(b\)）时，我们通常希望以参数化的方式描述联合分布 \(P(a, b)\)。如果我们幸运的话，这个联合分布可能在某种程度上是“简单”的。例如，可能 \(a\) 和 \(b\) 是统计独立的，在这种情况下，我们可以将联合分布分解为 \(P(a, b) = P(a) P(b)\)，因此我们只需要找到 \(P(a)\) 和 \(P(b)\) 的适当参数化描述。即使这不适用，也可能 \(P(a, b)\) 可以通过简单的多元分布很好地描述，例如多元正态分布。
贝叶斯Copula估计：描述相关联合分布
- 21 十二月 2023
当我们处理多个变量（例如 \(a\) 和 \(b\)）时，我们通常希望以参数化的方式描述联合分布 \(P(a, b)\)。如果我们幸运的话，这个联合分布可能在某种程度上是“简单”的。例如，可能 \(a\) 和 \(b\) 是统计独立的，在这种情况下，我们可以将联合分布分解为 \(P(a, b) = P(a) P(b)\)，因此我们只需要找到 \(P(a)\) 和 \(P(b)\) 的适当参数化描述。即使这不适用，也可能 \(P(a, b)\) 可以通过简单的多元分布很好地描述，例如多元正态分布。
贝叶斯Copula估计：描述相关联合分布
- 21 十二月 2023
当我们处理多个变量（例如 \(a\) 和 \(b\)）时，我们通常希望以参数化的方式描述联合分布 \(P(a, b)\)。如果我们幸运的话，这个联合分布可能在某种程度上是“简单”的。例如，可能 \(a\) 和 \(b\) 是统计独立的，在这种情况下，我们可以将联合分布分解为 \(P(a, b) = P(a) P(b)\)，因此我们只需要找到 \(P(a)\) 和 \(P(b)\) 的适当参数化描述。即使这不适用，也可能 \(P(a, b)\) 可以通过简单的多元分布很好地描述，例如多元正态分布。
贝叶斯Copula估计：描述相关联合分布
- 21 十二月 2023
当我们处理多个变量（例如 \(a\) 和 \(b\)）时，我们通常希望以参数化的方式描述联合分布 \(P(a, b)\)。如果我们幸运的话，这个联合分布可能在某种程度上是“简单”的。例如，可能 \(a\) 和 \(b\) 是统计独立的，在这种情况下，我们可以将联合分布分解为 \(P(a, b) = P(a) P(b)\)，因此我们只需要找到 \(P(a)\) 和 \(P(b)\) 的适当参数化描述。即使这不适用，也可能 \(P(a, b)\) 可以通过简单的多元分布很好地描述，例如多元正态分布。
干预分布与do操作符的图突变
- 21 七月 2023
PyMC 是开源贝叶斯统计生态系统中的一个关键组件。它每天都在帮助解决跨多个行业和学术研究领域的实际问题。并且它通过易于使用、功能强大且在解决贝叶斯统计推断问题方面具有实际用途，达到了这一实用水平。
干预分布与do操作符的图突变
- 21 七月 2023
PyMC 是开源贝叶斯统计生态系统中的一个关键组件。它每天都在帮助解决跨多个行业和学术研究领域的实际问题。并且它通过易于使用、功能强大且在解决贝叶斯统计推断问题方面具有实际用途，达到了这一实用水平。
干预分布与do算子的图突变
- 21 七月 2023
PyMC 是开源贝叶斯统计生态系统中的一个关键组件。它每天都在帮助解决跨多个行业和学术研究领域的实际问题。并且它通过易于使用、功能强大且在解决贝叶斯统计推断问题方面具有实际用途，达到了这一实用水平。
干预分布与do操作符的图突变
- 21 七月 2023
PyMC 是开源贝叶斯统计生态系统中的一个关键组件。它每天都在帮助解决跨多个行业和学术研究领域的实际问题。并且它通过易于使用、功能强大且在解决贝叶斯统计推断问题方面具有实际用途，达到了这一实用水平。
双重差分法
- 21 九月 2022
本笔记本简要概述了差异中的差异方法在因果推断中的应用，并展示了一个在贝叶斯框架下使用PyMC进行此类分析的工作示例。虽然本笔记本提供了该方法的高层次概述，但我建议参考两本关于因果推断的优秀教科书。《The Effect》和《Causal Inference: The Mixtape》都有专门介绍差异中的差异的章节。
双重差分法
- 21 九月 2022
本笔记本简要概述了差异中的差异方法在因果推断中的应用，并展示了一个在贝叶斯框架下使用PyMC进行此类分析的工作示例。虽然本笔记本提供了该方法的高层次概述，但我建议参考两本关于因果推断的优秀教科书。《The Effect》和《Causal Inference: The Mixtape》都有专门介绍差异中的差异的章节。
双重差分法
- 21 九月 2022
本笔记本简要概述了差异中的差异方法在因果推断中的应用，并展示了一个在贝叶斯框架下使用PyMC进行此类分析的工作示例。虽然本笔记本提供了该方法的高层次概述，但我建议参考两本关于因果推断的优秀教科书。《The Effect》和《Causal Inference: The Mixtape》都有专门介绍差异中的差异的章节。
双重差分法
- 21 九月 2022
本笔记本简要概述了差异中的差异方法在因果推断中的应用，并展示了一个在贝叶斯框架下使用PyMC进行此类分析的工作示例。虽然本笔记本提供了该方法的高层次概述，但我建议参考两本关于因果推断的优秀教科书。《The Effect》和《Causal Inference: The Mixtape》都有专门介绍差异中的差异的章节。
反事实推断：计算由于COVID-19导致的超额死亡
- 21 七月 2022
因果推理和反事实思维是非常有趣但复杂的主题！尽管如此，我们可以通过相对简单的例子来理解这些概念。本笔记本专注于贝叶斯因果推理的概念及其使用PyMC的实际实现。
反事实推断：计算由于COVID-19导致的超额死亡
- 21 七月 2022
因果推理和反事实思维是非常有趣但复杂的主题！尽管如此，我们可以通过相对简单的例子来理解这些概念。本笔记本专注于贝叶斯因果推理的概念及其使用PyMC的实际实现。
反事实推断：计算因COVID-19导致的超额死亡
- 21 七月 2022
因果推理和反事实思维是非常有趣但复杂的主题！尽管如此，我们可以通过相对简单的例子来理解这些概念。本笔记本专注于贝叶斯因果推理的概念及其使用PyMC的实际实现。
反事实推断：计算因COVID-19导致的超额死亡
- 21 七月 2022
因果推理和反事实思维是非常有趣但复杂的主题！尽管如此，我们可以通过相对简单的例子来理解这些概念。本笔记本专注于贝叶斯因果推理的概念及其使用PyMC的实际实现。
断点回归设计分析
- 21 四月 2022
准实验涉及实验干预和定量测量。然而，准实验不涉及将单位（例如细胞、人、公司、学校、州）随机分配到测试组或对照组。这种无法进行随机分配的情况在提出因果关系声明时会带来问题，因为它使得更难论证对照组和测试组之间的任何差异是由于干预而不是由于混杂因素造成的。
断点回归设计分析
- 21 四月 2022
准实验涉及实验干预和定量测量。然而，准实验不涉及将单位（例如细胞、人、公司、学校、州）随机分配到测试组或对照组。这种无法进行随机分配的情况在提出因果关系声明时会带来问题，因为它使得更难论证对照组和测试组之间的任何差异是由于干预而不是由于混杂因素造成的。
断点回归设计分析
- 21 四月 2022
准实验涉及实验干预和定量测量。然而，准实验不涉及将单位（例如细胞、人、公司、学校、州）随机分配到测试组或对照组。这种无法进行随机分配的情况在提出因果关系声明时会带来问题，因为它使得更难论证对照组和测试组之间的任何差异是由于干预而不是由于混杂因素造成的。
回归不连续设计分析
- 21 四月 2022
准实验涉及实验干预和定量测量。然而，准实验不涉及将单位（例如细胞、人、公司、学校、州）随机分配到测试组或对照组。这种无法进行随机分配的情况在提出因果关系声明时会带来问题，因为它使得更难论证对照组和测试组之间的任何差异是由于干预而不是由于混杂因素造成的。
贝叶斯调节分析
- 21 三月 2022
本笔记本涵盖了贝叶斯调节分析。当我们认为一个预测变量（调节变量）可能影响另一个预测变量与结果之间的线性关系时，这是合适的。这里我们看一个例子，研究训练小时数与肌肉质量之间的关系，其中可能年龄（调节变量）会影响这种关系。
贝叶斯调节分析
- 21 三月 2022
本笔记本涵盖了贝叶斯调节分析。当我们认为一个预测变量（调节变量）可能影响另一个预测变量与结果之间的线性关系时，这是合适的。这里我们看一个例子，研究训练小时数与肌肉质量之间的关系，其中可能年龄（调节变量）会影响这种关系。
贝叶斯调节分析
- 21 三月 2022
本笔记本涵盖了贝叶斯调节分析。当我们认为一个预测变量（调节变量）可能影响另一个预测变量与结果之间的线性关系时，这是合适的。这里我们看一个例子，研究训练小时数与肌肉质量之间的关系，其中可能年龄（调节变量）会影响这种关系。
贝叶斯调节分析
- 21 三月 2022
本笔记本涵盖了贝叶斯调节分析。当我们认为一个预测变量（调节变量）可能影响另一个预测变量与结果之间的线性关系时，这是合适的。这里我们看一个例子，研究训练小时数与肌肉质量之间的关系，其中可能年龄（调节变量）会影响这种关系。
从尴尬的分箱数据中估计分布的参数
- 23 十月 2021
假设我们对推断一个群体的属性感兴趣。这可以是任何东西，从年龄、收入或体重指数的分布，到各种可能的测量范围。在完成这项任务时，我们可能会经常遇到这样的情况：我们拥有多个数据集，每个数据集都可以为我们对整体群体的信念提供信息。
从尴尬的分箱数据中估计分布的参数
- 23 十月 2021
假设我们对推断一个群体的属性感兴趣。这可以是任何东西，从年龄、收入或体重指数的分布，到各种可能的测量范围。在完成这项任务时，我们可能会经常遇到这样的情况：我们拥有多个数据集，每个数据集都可以为我们对整体群体的信念提供信息。
从尴尬的分箱数据中估计分布的参数
- 23 十月 2021
假设我们对推断一个群体的属性感兴趣。这可以是任何东西，从年龄、收入或体重指数的分布，到各种可能的测量范围。在完成这项任务时，我们可能会经常遇到这样的情况：我们拥有多个数据集，每个数据集都可以为我们对整体群体的信念提供信息。
从尴尬的分箱数据中估计分布的参数
- 23 十月 2021
假设我们对推断一个群体的属性感兴趣。这可以是任何东西，从年龄、收入或体重指数的分布，到各种可能的测量范围。在完成这项任务时，我们可能会经常遇到这样的情况：我们拥有多个数据集，每个数据集都可以为我们对整体群体的信念提供信息。