初学者中的帖子

辛普森悖论

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。

阅读更多 ...

辛普森悖论

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。

阅读更多...

辛普森悖论

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。

阅读更多 ...

辛普森悖论

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。

阅读更多...

冈比亚的疟疾流行情况

重复的隐式目标名称：“冈比亚的疟疾流行率”。

阅读更多...

冈比亚的疟疾流行情况

重复的隐式目标名称：“冈比亚的疟疾流行率”。

阅读更多 ...

冈比亚的疟疾流行情况

重复的隐式目标名称：“冈比亚的疟疾流行率”。

阅读更多...

冈比亚的疟疾流行情况

重复的隐式目标名称：“冈比亚的疟疾流行率”。

阅读更多...

分类回归

在这个例子中，我们将对具有两个以上类别的输出进行建模。

阅读更多...

分类回归

在这个例子中，我们将对具有两个以上类别的输出进行建模。

阅读更多 ...

分类回归

在这个例子中，我们将对具有两个以上类别的输出进行建模。

阅读更多 ...

分类回归

在这个例子中，我们将对具有两个以上类别的输出进行建模。

阅读更多 ...

样本外预测

我们希望拟合一个逻辑回归模型，其中两个数值特征之间存在乘法交互作用。

阅读更多 ...

样本外预测

我们希望拟合一个逻辑回归模型，其中两个数值特征之间存在乘法交互作用。

阅读更多...

样本外预测

我们希望拟合一个逻辑回归模型，其中两个数值特征之间存在乘法交互作用。

阅读更多 ...

样本外预测

我们希望拟合一个逻辑回归模型，其中两个数值特征之间存在乘法交互作用。

阅读更多...

广义线性模型：负二项回归

指令“include”：文件未找到：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/build/jupyter_execute/build/jupyter_execute/extra_installs.md’

阅读更多 ...

广义线性模型：负二项回归

指令“include”：未找到文件：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/build/jupyter_execute/extra_installs.md’

阅读更多 ...

GLM: 负二项回归

指令“include”：未找到文件：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/extra_installs.md’

阅读更多 ...

GLM: 负二项回归

本笔记本使用了不是 PyMC 依赖项的库，因此需要专门安装这些库才能运行此笔记本。打开下面的下拉菜单以获取更多指导。

阅读更多 ...

干预分布与do操作符的图突变

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而达到了这一实用水平。

阅读更多 ...

干预分布与do操作符的图突变

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而达到了这一实用水平。

阅读更多...

干预分布与do算子的图突变

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而达到了这一实用水平。

阅读更多...

干预分布与do操作符的图突变

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而达到了这一实用水平。

阅读更多 ...

有序分类结果的回归模型

与统计学的许多领域一样，调查数据的语言也带有词汇过载的特点。在讨论调查设计时，您经常会听到关于基于设计和基于模型的方法之间的对比，这些方法涉及（i）抽样策略和（ii）对相关数据的统计推断。我们不会深入探讨不同的抽样策略，例如：简单随机抽样、整群随机抽样或使用人口加权方案的分层随机抽样。关于这些策略的文献非常丰富，但在本笔记本中，我们将讨论何时以及为什么将模型驱动的统计推断应用于Likert量表的调查响应数据和其他类型的有序分类数据是有用的。

阅读更多 ...

有序分类结果的回归模型

与统计学的许多领域一样，调查数据的语言也带有词汇过载的特点。在讨论调查设计时，您经常会听到关于基于设计和基于模型的方法之间的对比，这些方法涉及（i）抽样策略和（ii）对相关数据的统计推断。我们不会深入探讨不同的抽样策略，例如：简单随机抽样、整群随机抽样或使用人口加权方案的分层随机抽样。关于这些策略的文献非常丰富，但在本笔记本中，我们将讨论何时以及为什么将模型驱动的统计推断应用于Likert量表的调查响应数据和其他类型的有序分类数据是有用的。

阅读更多 ...

有序分类结果的回归模型

与统计学的许多领域一样，调查数据的语言也带有词汇过载的特点。在讨论调查设计时，您经常会听到关于基于设计和基于模型的方法之间的对比，这些方法涉及（i）抽样策略和（ii）对相关数据的统计推断。我们不会深入探讨不同的抽样策略，例如：简单随机抽样、整群随机抽样或使用人口加权方案的分层随机抽样。关于这些策略的文献非常丰富，但在本笔记本中，我们将讨论何时以及为什么将模型驱动的统计推断应用于Likert量表的调查响应数据和其他类型的有序分类数据是有用的。

阅读更多 ...

有序分类结果的回归模型

与统计学的许多领域一样，调查数据的语言也带有词汇过载的特点。在讨论调查设计时，您经常会听到关于基于设计和基于模型的方法之间的对比，这些方法涉及（i）抽样策略和（ii）对相关数据的统计推断。我们不会深入探讨不同的抽样策略，例如：简单随机抽样、整群随机抽样或使用人口加权方案的分层随机抽样。关于这些策略的文献非常丰富，但在本笔记本中，我们将讨论何时以及为什么将模型驱动的统计推断应用于Likert量表的调查响应数据和其他类型的有序分类数据是有用的。

阅读更多...

多元高斯随机游走

本笔记本展示了如何拟合相关的时间序列使用多元高斯随机游走（GRWs）。特别是，我们对时间序列数据进行贝叶斯回归，该回归依赖于基于GRWs的模型。

Read more ...

多元高斯随机游走

本笔记本展示了如何拟合相关的时间序列使用多元高斯随机游走（GRWs）。特别是，我们对时间序列数据进行贝叶斯回归，该回归依赖于基于GRWs的模型。

阅读更多 ...

多元高斯随机游走

本笔记本展示了如何拟合相关的时间序列使用多元高斯随机游走（GRWs）。特别是，我们对时间序列数据进行贝叶斯回归，该回归依赖于基于GRWs的模型。

阅读更多...

多元高斯随机游走

本笔记本展示了如何拟合相关的时间序列使用多元高斯随机游走（GRWs）。特别是，我们对时间序列数据进行贝叶斯回归，该回归依赖于基于GRWs的模型。

阅读更多 ...

使用BART建模异方差性

在本笔记本中，我们展示了如何使用BART来建模异方差性，如pymc-bart论文的第4.1节所述[Quiroga 等, 2022]。我们使用了R包datarium提供的marketing数据集[Kassambara, 2019]。其想法是将营销渠道对销售额的贡献建模为预算的函数。

阅读更多 ...

使用BART建模异方差性

在本笔记本中，我们展示了如何使用BART来建模异方差性，如pymc-bart论文的第4.1节所述[Quiroga 等, 2022]。我们使用了R包datarium提供的marketing数据集[Kassambara, 2019]。其想法是将营销渠道对销售的贡献建模为预算的函数。

阅读更多 ...

使用BART建模异方差性

在本笔记本中，我们展示了如何使用BART来建模异方差性，如pymc-bart论文的第4.1节所述[Quiroga 等, 2022]。我们使用了R包datarium提供的marketing数据集[Kassambara, 2019]。其想法是将营销渠道对销售额的贡献建模为预算的函数。

阅读更多 ...

使用BART建模异方差性

在本笔记本中，我们展示了如何使用BART来建模异方差性，如pymc-bart论文的第4.1节所述[Quiroga 等, 2022]。我们使用了R包datarium提供的marketing数据集[Kassambara, 2019]。其想法是将营销渠道对销售的贡献建模为预算的函数。

阅读更多 ...

GLM: 稳健线性回归

重复的隐式目标名称：“glm: 稳健线性回归”。

阅读更多 ...

GLM: 稳健线性回归

重复的隐式目标名称：“glm: 稳健线性回归”。

阅读更多 ...

GLM: 稳健线性回归

重复的隐式目标名称：“glm: 稳健线性回归”。

阅读更多 ...

GLM: 稳健线性回归

重复的隐式目标名称：“glm: 稳健线性回归”。

阅读更多...

贝叶斯因子与边际似然

比较模型的“贝叶斯方法”是计算每个模型的边际似然 \(p(y \mid M_k)\)，即给定模型\(M_k\)时观测数据\(y\)的概率。这个量，边际似然，只是贝叶斯定理的归一化常数。如果我们写出贝叶斯定理并明确所有推断都是模型依赖的，我们就可以看到这一点。

阅读更多 ...

贝叶斯因子与边际似然

比较模型的“贝叶斯方法”是计算每个模型的边际似然 \(p(y \mid M_k)\)，即给定模型\(M_k\)时观测数据\(y\)的概率。这个量，边际似然，只是贝叶斯定理的归一化常数。如果我们写出贝叶斯定理并明确所有推断都是模型依赖的，我们就可以看到这一点。

阅读更多 ...

贝叶斯因子与边际似然

比较模型的“贝叶斯方法”是计算每个模型的边际似然 \(p(y \mid M_k)\)，即给定模型\(M_k\)时观测数据\(y\)的概率。这个量，边际似然，只是贝叶斯定理的归一化常数。如果我们写出贝叶斯定理并明确所有推断都是模型依赖的，我们就可以看到这一点。

阅读更多...

贝叶斯因子与边际似然

比较模型的“贝叶斯方法”是计算每个模型的边际似然 \(p(y \mid M_k)\)，即给定模型\(M_k\)时观测数据\(y\)的概率。这个量，边际似然，只是贝叶斯定理的归一化常数。如果我们写出贝叶斯定理并明确所有推断都是模型依赖的，我们就可以看到这一点。

阅读更多...

广义极值分布

广义极值（GEV）分布是一种包含Weibull、Gumbel和Frechet极值分布族的元分布。它用于建模平稳过程的极端值（最大值或最小值）的分布，例如年最大风速、桥梁上的年最大卡车重量等，而无需事先决定尾部行为。

阅读更多 ...

广义极值分布

广义极值（GEV）分布是一种包含Weibull、Gumbel和Frechet极值分布族的元分布。它用于建模平稳过程的极端值（最大值或最小值）的分布，例如年最大风速、桥梁上的年最大卡车重量等，而无需事先决定尾部行为。

阅读更多...

广义极值分布

广义极值（GEV）分布是一种包含Weibull、Gumbel和Frechet极值分布族的元分布。它用于建模平稳过程的极值（最大值或最小值）的分布，例如年最大风速、桥梁上的年最大卡车重量等，而无需事先决定尾部行为。

阅读更多 ...

广义极值分布

广义极值（GEV）分布是一种包含Weibull、Gumbel和Frechet极值分布族的元分布。它用于建模平稳过程的极值（最大值或最小值）的分布，例如年最大风速、桥梁上的年最大卡车重量等，而无需事先决定尾部行为。

阅读更多...

带有截断或删失数据的贝叶斯回归

该笔记本提供了一个示例，展示了当您的结果变量被截断或截断时如何进行线性回归。

阅读更多 ...

带有截断或删失数据的贝叶斯回归

该笔记本提供了一个示例，展示了当您的结果变量被审查或截断时，如何进行线性回归。

阅读更多 ...

带有截断或删失数据的贝叶斯回归

该笔记本提供了一个示例，展示了当您的结果变量被审查或截断时，如何进行线性回归。

阅读更多 ...

带有截断或删失数据的贝叶斯回归

该笔记本提供了一个示例，展示了当您的结果变量被审查或截断时，如何进行线性回归。

阅读更多...

如何调试模型

调试模型的方法有多种层次。最简单的一种方法就是直接打印出不同变量的取值。

阅读更多 ...

如何调试模型

调试模型的方法有多种层次。最简单的一种方法就是直接打印出不同变量的取值。

阅读更多 ...

如何调试模型

调试模型的方法有多种层次。最简单的一种方法就是直接打印出不同变量的取值。

阅读更多...

如何调试模型

调试模型的方法有多种层次。最简单的一种方法就是直接打印出不同变量的取值。

阅读更多...

空间数据的条件自回归（CAR）模型

指令“include”：文件未找到：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/build/jupyter_execute/build/jupyter_execute/extra_installs.md’

阅读更多 ...

空间数据的条件自回归（CAR）模型

指令“include”：未找到文件：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/build/jupyter_execute/extra_installs.md’

阅读更多 ...

空间数据的条件自回归（CAR）模型

指令“include”：未找到文件：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/extra_installs.md’

阅读更多 ...

空间数据的条件自回归（CAR）模型

本笔记本使用了不是 PyMC 依赖项的库，因此需要专门安装这些库才能运行此笔记本。打开下面的下拉菜单以获取更多指导。

阅读更多 ...

随机波动率模型

资产价格具有时变波动性（日收益率的方差）。在某些时期，收益率变化很大，而在其他时期则非常稳定。随机波动模型通过一个潜在的波动变量来建模，该变量被建模为随机过程。以下模型类似于No-U-Turn Sampler论文中描述的模型，[Hoffman和Gelman，2014]。

阅读更多 ...

随机波动率模型

资产价格具有时变波动性（日收益率的方差）。在某些时期，收益率变化很大，而在其他时期则非常稳定。随机波动率模型通过一个潜在的波动率变量来建模，该变量被建模为一个随机过程。以下模型类似于No-U-Turn Sampler论文中描述的模型，[Hoffman和Gelman，2014]。

阅读更多 ...

样条

通常，我们想要拟合的模型并不是在某些\(x\)和\(y\)之间的一条完美直线。 相反，模型的参数预计会在\(x\)上变化。 有多种方法可以处理这种情况，其中之一是拟合一个样条。 样条拟合实际上是多个单独曲线（分段多项式）的和，每个曲线拟合\(x\)的不同部分，并在它们的边界处连接在一起，这些边界通常称为节点。

阅读更多 ...

样条

通常，我们想要拟合的模型并不是在某些\(x\)和\(y\)之间的一条完美直线。 相反，模型的参数预计会随着\(x\)的变化而变化。 有多种方法可以处理这种情况，其中之一是拟合一个样条。 样条拟合实际上是多个单独曲线（分段多项式）的和，每个曲线拟合\(x\)的不同部分，并在它们的边界处连接在一起，这些边界通常称为节点。

阅读更多 ...

样条

通常，我们想要拟合的模型并不是在某些\(x\)和\(y\)之间的一条完美直线。 相反，模型的参数预计会在\(x\)上变化。 有多种方法可以处理这种情况，其中之一是拟合一个样条。 样条拟合实际上是多个单独曲线（分段多项式）的和，每个曲线拟合\(x\)的不同部分，并在它们的边界处连接在一起，这些边界通常称为节点。

阅读更多 ...

样条

通常，我们想要拟合的模型并不是在某些\(x\)和\(y\)之间的一条完美直线。 相反，模型的参数预计会随着\(x\)的变化而变化。 有多种方法可以处理这种情况，其中之一是拟合一个样条。 样条拟合实际上是多个单独曲线（分段多项式）的和，每个曲线拟合\(x\)的不同部分，并在它们的边界处连接在一起，这些边界通常称为节点。

阅读更多...

采样器统计

在检查收敛性或调试行为异常的采样器时，通常有助于更仔细地观察采样器的工作情况。为此，一些采样器会为每个生成的样本导出统计数据。

阅读更多...

采样器统计

在检查收敛性或调试行为异常的采样器时，通常有助于更仔细地观察采样器的工作情况。为此，一些采样器会为每个生成的样本导出统计数据。

阅读更多 ...

采样器统计

在检查收敛性或调试行为异常的采样器时，通常有助于更仔细地观察采样器的工作情况。为此，一些采样器会为每个生成的样本导出统计数据。

阅读更多 ...

采样器统计

在检查收敛性或调试行为异常的采样器时，通常有助于更仔细地观察采样器的工作情况。为此，一些采样器会为每个生成的样本导出统计数据。

阅读更多...

通用 API 快速入门

PyMC中的模型围绕Model类展开。它包含所有随机变量（RVs）的引用，并计算模型的对数概率及其梯度。通常，您会将其作为with上下文的一部分进行实例化：

阅读更多...

通用 API 快速入门

PyMC中的模型围绕Model类展开。它包含所有随机变量（RVs）的引用，并计算模型的对数概率及其梯度。通常，您会将其作为with上下文的一部分进行实例化：

阅读更多 ...

通用 API 快速入门

PyMC中的模型围绕Model类展开。它包含所有随机变量（RVs）的引用，并计算模型的对数概率及其梯度。通常，您会将其作为with上下文的一部分进行实例化：

阅读更多...

通用 API 快速入门

PyMC中的模型围绕Model类展开。它包含所有随机变量（RVs）的引用，并计算模型的对数概率及其梯度。通常，您会将其作为with上下文的一部分进行实例化：

阅读更多...

近似贝叶斯计算

近似贝叶斯计算方法（也称为似然自由推断方法），是一组为在似然函数难以处理或计算成本高的情况下推断后验分布而开发的技术。这并不意味着似然函数不是分析的一部分，只是我们在近似似然函数，因此得名ABC方法。

阅读更多...

近似贝叶斯计算

近似贝叶斯计算方法（也称为似然自由推断方法），是一组为在似然函数难以处理或计算成本高的情况下推断后验分布而开发的技术。这并不意味着似然函数不是分析的一部分，只是我们在近似似然函数，因此得名ABC方法。

阅读更多 ...

近似贝叶斯计算

近似贝叶斯计算方法（也称为似然自由推断方法），是一组为在似然函数难以处理或计算成本高的情况下推断后验分布而开发的技术。这并不意味着似然函数不是分析的一部分，只是我们在近似似然函数，因此得名ABC方法。

阅读更多...

近似贝叶斯计算

近似贝叶斯计算方法（也称为似然自由推断方法），是一组为在似然函数难以处理或计算成本高的情况下推断后验分布而开发的技术。这并不意味着似然函数不是分析的一部分，只是我们在近似似然函数，因此得名ABC方法。

阅读更多...

断点回归设计分析

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。

阅读更多 ...

断点回归设计分析

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。

阅读更多 ...

断点回归设计分析

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。

阅读更多 ...

回归不连续设计分析

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。

阅读更多 ...

高斯混合模型

一个混合模型允许我们对数据分布的组成部分进行推断。更具体地说，高斯混合模型允许我们对指定数量的底层高斯分布的均值和标准差进行推断。

阅读更多 ...

高斯混合模型

一个混合模型允许我们对数据分布的组成部分进行推断。更具体地说，高斯混合模型允许我们对指定数量的底层高斯分布的均值和标准差进行推断。

阅读更多 ...

高斯混合模型

一个混合模型允许我们对数据分布的组成部分进行推断。更具体地说，高斯混合模型允许我们对指定数量的底层高斯分布的均值和标准差进行推断。

阅读更多...

高斯混合模型

一个混合模型允许我们对数据分布的组成部分进行推断。更具体地说，高斯混合模型允许我们对指定数量的底层高斯分布的均值和标准差进行推断。

阅读更多...

贝叶斯调节分析

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。

阅读更多 ...

贝叶斯调节分析

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。

阅读更多...

贝叶斯调节分析

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。

阅读更多...

贝叶斯调节分析

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。

阅读更多 ...

二项回归

本笔记本涵盖了二项回归背后的逻辑，这是广义线性模型的一个特定实例。示例保持非常简单，只有一个预测变量。

阅读更多 ...

二项回归

本笔记本涵盖了二项回归背后的逻辑，这是广义线性模型的一个特定实例。示例保持非常简单，只有一个预测变量。

阅读更多...

二项回归

本笔记本涵盖了二项回归背后的逻辑，这是广义线性模型的一个特定实例。示例保持非常简单，只有一个预测变量。

阅读更多 ...

二项回归

本笔记本涵盖了二项回归背后的逻辑，这是广义线性模型的一个特定实例。示例保持非常简单，只有一个预测变量。

阅读更多...

贝叶斯中介分析

本笔记本涵盖了贝叶斯中介分析。当我们想要探索预测变量与结果变量之间可能的中介路径时，这是非常有用的。

阅读更多 ...

贝叶斯中介分析

本笔记本涵盖了贝叶斯中介分析。当我们想要探索预测变量与结果变量之间可能的中介路径时，这是非常有用的。

阅读更多 ...

贝叶斯中介分析

本笔记本涵盖了贝叶斯中介分析。当我们想要探索预测变量与结果变量之间可能的中介路径时，这是非常有用的。

阅读更多...

贝叶斯中介分析

本笔记本涵盖了贝叶斯中介分析。当我们想要探索预测变量与结果变量之间可能的中介路径时，这是非常有用的。

阅读更多...

使用块更新的Lasso回归

有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。

阅读更多 ...

使用块更新的Lasso回归

有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。

阅读更多 ...

使用块更新的Lasso回归

有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。

阅读更多...

使用块更新的Lasso回归

有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。

阅读更多...

贝叶斯估计取代T检验

非连续标题级别增加；H1 到 H3 [myst.header]

阅读更多 ...

贝叶斯估计取代T检验

非连续标题级别增加；H1 到 H3 [myst.header]

阅读更多 ...

贝叶斯估计取代T检验

非连续标题级别增加；H1 到 H3 [myst.header]

阅读更多...

贝叶斯估计取代T检验

非连续标题级别增加；H1 到 H3 [myst.header]

阅读更多...

使用数据容器

在构建了你梦想中的统计模型之后，你需要给它提供一些数据。数据通常以两种方式之一引入PyMC模型。一些数据用作外生输入，在线性回归模型中称为X，其中mu = X @ beta。其他数据是模型内生输出的“观察”示例，在回归模型中称为y，并作为输入用于模型隐含的似然函数。这些数据，无论是外生的还是内生的，都可以以多种数据类型包含在你的模型中，包括numpy ndarrays、pandas Series和DataFrame，甚至pytensor TensorVariables。

阅读更多 ...

使用数据容器

在构建了你梦想中的统计模型之后，你需要给它提供一些数据。数据通常以两种方式之一引入PyMC模型。一些数据用作外生输入，在线性回归模型中称为X，其中mu = X @ beta。其他数据是模型内生输出的“观察”示例，在回归模型中称为y，并作为输入用于模型隐含的似然函数。这些数据，无论是外生的还是内生的，都可以以多种数据类型包含在你的模型中，包括numpy ndarrays、pandas Series和DataFrame，甚至pytensor TensorVariables。

阅读更多 ...

使用数据容器

在构建了你梦想中的统计模型之后，你需要给它提供一些数据。数据通常以两种方式之一引入PyMC模型。一些数据用作外生输入，在线性回归模型中称为X，其中mu = X @ beta。其他数据是模型内生输出的“观察”示例，在回归模型中称为y，并作为输入用于模型隐含的似然函数。这些数据，无论是外生的还是内生的，都可以以多种数据类型包含在你的模型中，包括numpy ndarrays、pandas Series和DataFrame，甚至pytensor TensorVariables。

阅读更多...

使用数据容器

在构建了你梦想中的统计模型之后，你需要给它提供一些数据。数据通常以两种方式之一引入PyMC模型。一些数据用作外生输入，在线性回归模型中称为X，其中mu = X @ beta。其他数据是模型内生输出的“观察”示例，在回归模型中称为y，并作为输入用于模型隐含的似然函数。这些数据，无论是外生的还是内生的，都可以以多种数据类型包含在你的模型中，包括numpy ndarrays、pandas Series和DataFrame，甚至pytensor TensorVariables。

阅读更多...

顺序蒙特卡罗

使用标准的MCMC方法从具有多个峰值的分布中采样可能会很困难，甚至是不可能的，因为马尔可夫链通常会卡在其中一个最小值中。顺序蒙特卡罗采样器（SMC）是解决这个问题的一种方法。

阅读更多 ...

顺序蒙特卡罗

使用标准的MCMC方法从具有多个峰值的分布中采样可能会很困难，甚至是不可能的，因为马尔可夫链通常会卡在其中一个最小值中。顺序蒙特卡罗采样器（SMC）是解决这个问题的一种方法。

阅读更多...

顺序蒙特卡罗

使用标准的MCMC方法从具有多个峰值的分布中采样可能会很困难，甚至是不可能的，因为马尔可夫链通常会卡在其中一个最小值中。顺序蒙特卡罗采样器（SMC）是解决这个问题的一种方法。

阅读更多 ...

顺序蒙特卡罗

使用标准的MCMC方法从具有多个峰值的分布中采样可能会很困难，甚至是不可能的，因为马尔可夫链通常会卡在其中一个最小值中。顺序蒙特卡罗采样器（SMC）是解决这个问题的一种方法。

阅读更多...

贝叶斯A/B测试简介

本笔记本演示了如何实现A/B测试的贝叶斯分析。我们实现了VWO的贝叶斯A/B测试白皮书中讨论的模型[Stucchio, 2015]，并讨论了这些模型中不同先验选择的影响。本笔记本不讨论其他相关主题，如如何选择先验、早期停止和功效分析。

阅读更多 ...

贝叶斯A/B测试简介

本笔记本演示了如何实现A/B测试的贝叶斯分析。我们实现了VWO的贝叶斯A/B测试白皮书中讨论的模型[Stucchio, 2015]，并讨论了这些模型中不同先验选择的影响。本笔记本不讨论其他相关主题，如如何选择先验、早期停止和功效分析。

阅读更多...

贝叶斯A/B测试简介

本笔记本演示了如何实现A/B测试的贝叶斯分析。我们实现了VWO的贝叶斯A/B测试白皮书中讨论的模型[Stucchio, 2015]，并讨论了这些模型中不同先验选择的影响。本笔记本不讨论其他相关主题，如如何选择先验、早期停止和功效分析。

阅读更多...

贝叶斯A/B测试简介

本笔记本演示了如何实现A/B测试的贝叶斯分析。我们实现了VWO的贝叶斯A/B测试白皮书中讨论的模型[Stucchio, 2015]，并讨论了这些模型中不同先验选择的影响。本笔记本不讨论其他相关主题，如如何选择先验、早期停止和功效分析。

阅读更多 ...