参考中的帖子

验证性因子分析和心理测量学中的结构方程模型

“显然，相关性和依赖性的概念比与概率判断相关的数值更基本……用于表示概率信息的语言应该允许对依赖关系进行定性、直接和明确的表达。” - Pearl 在《智能系统中的概率推理》Pearl [1985]

阅读更多 ...

心理测量学中的验证性因子分析和结构方程模型

“显然，相关性和依赖性的概念比与概率判断相关的数值更基本……用于表示概率信息的语言应该允许对依赖关系进行定性、直接和明确的表达。” - Pearl 在《智能系统中的概率推理》Pearl [1985]

阅读更多...

验证性因子分析和心理测量学中的结构方程模型

“显然，相关性和依赖性的概念比与概率判断相关的数值更基本……用于表示概率信息的语言应该允许对依赖关系进行定性、直接和明确的表达。” - Pearl 在《智能系统中的概率推理》Pearl [1985]

阅读更多...

心理测量学中的验证性因子分析和结构方程模型

“显然，相关性和依赖性的概念比与概率判断相关的数值更基本……用于表示概率信息的语言应该允许对依赖关系进行定性、直接和明确的表达。” - Pearl 在《智能系统中的概率推理》Pearl [1985]

阅读更多...

从生成图导出的时间序列模型

在本笔记本中，我们展示了如何从生成图开始建模和拟合时间序列模型。特别是，我们解释了如何使用scan在PyMC模型中高效地进行循环。

阅读更多 ...

从生成图导出的时间序列模型

在本笔记本中，我们展示了如何从生成图开始建模和拟合时间序列模型。特别是，我们解释了如何使用scan在PyMC模型中高效地进行循环。

阅读更多 ...

从生成图导出的时间序列模型

在本笔记本中，我们展示了如何从生成图开始建模和拟合时间序列模型。特别是，我们解释了如何使用scan在PyMC模型中高效地进行循环。

阅读更多 ...

从生成图导出的时间序列模型

在本笔记本中，我们展示了如何从生成图开始建模和拟合时间序列模型。特别是，我们解释了如何使用scan在PyMC模型中高效地进行循环。

阅读更多...

高斯过程：HSGP 高级用法

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP 高级用法

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP 高级用法

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP 高级用法

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP参考与第一步

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP 参考与第一步

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP参考与第一步

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP 参考与第一步

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

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 ...

贝叶斯非参数因果推断

很少有比因果关系的断言更强烈的说法，也很少有比这更值得争议的说法。一个天真的世界模型——充满了脆弱的联系和非逻辑的推论，是阴谋论和愚蠢的特征。另一方面，对因果关系的精炼和详细的理解，以清晰的预期、合理的联系和有力的反事实为特征，将引导你顺利通过这个喧嚣、纷繁复杂的世界。

阅读更多 ...

贝叶斯非参数因果推断

很少有比因果关系的断言更强烈的说法，也很少有比这更值得争议的说法。一个天真的世界模型——充满了脆弱的联系和非逻辑的推论，是阴谋论和愚蠢的特征。另一方面，对因果关系的精炼和详细的理解，以清晰的预期、合理的联系和有力的反事实为特征，将引导你顺利通过这个喧嚣、纷繁复杂的世界。

阅读更多 ...

贝叶斯非参数因果推断

很少有比因果关系的断言更强烈的说法，也很少有比这更值得争议的说法。一个天真的世界模型——充满了脆弱的联系和非逻辑的推论，是阴谋论和愚蠢的特征。另一方面，对因果关系的精炼和详细的理解，以清晰的预期、合理的联系和有力的反事实为特征，将引导你顺利通过这个喧嚣、纷繁复杂的世界。

阅读更多 ...

贝叶斯非参数因果推断

很少有比因果关系的断言更强烈的说法，也很少有比这更值得争议的说法。一个天真的世界模型——充满了脆弱的联系和非逻辑的推论，是阴谋论和愚蠢的特征。另一方面，对因果关系的精炼和详细的理解，以清晰的预期、合理的联系和有力的反事实为特征，将引导你顺利通过这个喧嚣、纷繁复杂的世界。

阅读更多...

脆弱性和生存回归模型

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 ...

脆弱性和生存回归模型

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 ...

脆弱性和生存回归模型

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 ...

脆弱性和生存回归模型

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...

使用JAX和Numba进行更快的采样

PyMC 可以通过 PyTensor 将其模型编译为各种执行后端，包括：

阅读更多...

使用JAX和Numba进行更快的采样

PyMC 可以通过 PyTensor 将其模型编译为各种执行后端，包括：

阅读更多...

使用JAX和Numba进行更快的采样

PyMC 可以通过 PyTensor 将其模型编译为各种执行后端，包括：

阅读更多...

使用JAX和Numba进行更快的采样

PyMC 可以通过 PyTensor 将其模型编译为各种执行后端，包括：

阅读更多...

离散选择和随机效用模型

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 ...

离散选择和随机效用模型

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 ...

离散选择和随机效用模型

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 ...

离散选择和随机效用模型

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 ...

高斯过程：潜在变量实现

The gp.Latent 类是高斯过程的直接实现，没有近似。给定均值和协方差函数，我们可以在函数 \(f(x)\) 上放置一个先验，

阅读更多 ...

高斯过程：潜在变量实现

The gp.Latent 类是高斯过程的直接实现，没有近似。给定均值和协方差函数，我们可以在函数 \(f(x)\) 上放置一个先验，

阅读更多 ...

高斯过程：潜在变量实现

The gp.Latent 类是高斯过程的直接实现，没有近似。给定均值和协方差函数，我们可以在函数 \(f(x)\) 上放置一个先验，

阅读更多 ...

高斯过程：潜在变量实现

The gp.Latent 类是高斯过程的直接实现，没有近似。给定均值和协方差函数，我们可以在函数 \(f(x)\) 上放置一个先验，

阅读更多...

边际似然实现

gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，

阅读更多...

边际似然实现

gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，

阅读更多 ...

边际似然实现

gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，

阅读更多 ...

边际似然实现

gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，

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 ...

变化的长度模型

研究变化涉及同时分析个体变化轨迹，并从所研究的个体集合中抽象出更广泛的关于所讨论变化性质的见解。因此，很容易因为专注于树木而忽略了森林。在这个例子中，我们将展示使用分层贝叶斯模型研究个体群体内变化的一些微妙之处——从个体内部视角转向个体间/跨个体视角。

阅读更多 ...

变化的长程模型

研究变化涉及同时分析个体变化轨迹，并从所研究的个体集合中抽象出更广泛的关于所讨论变化性质的见解。因此，很容易因为专注于树木而忽略了森林。在这个例子中，我们将展示使用分层贝叶斯模型研究个体群体内变化的一些微妙之处——从个体内部视角转向个体间/跨个体视角。

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额的贡献建模为预算的函数。

阅读更多 ...

均值和协方差函数

PyMC 中提供了大量均值和协方差函数。定义自定义的均值和协方差函数相对容易。由于 PyMC 使用 PyTensor，因此用户不需要定义它们的梯度。

阅读更多 ...

均值和协方差函数

PyMC 中提供了大量均值和协方差函数。定义自定义的均值和协方差函数相对容易。由于 PyMC 使用 PyTensor，因此用户不需要定义它们的梯度。

阅读更多 ...

均值和协方差函数

PyMC 中提供了大量均值和协方差函数。定义自定义的均值和协方差函数相对容易。由于 PyMC 使用 PyTensor，因此用户不需要定义它们的梯度。

阅读更多 ...

均值和协方差函数

PyMC 中提供了大量均值和协方差函数。定义自定义的均值和协方差函数相对容易。由于 PyMC 使用 PyTensor，因此用户不需要定义它们的梯度。

阅读更多 ...

使用Euler-Maruyama方案推断SDE的参数

本笔记本源自为艾克斯-马赛大学系统神经科学研究所的理论神经科学小组准备的演示文稿。

阅读更多 ...

使用Euler-Maruyama方案推断SDE的参数

本笔记本源自为艾克斯-马赛大学系统神经科学研究所的理论神经科学小组准备的演示文稿。

阅读更多 ...

使用Euler-Maruyama方案推断SDE的参数

本笔记本源自为艾克斯-马赛大学系统神经科学研究所的理论神经科学小组准备的演示文稿。

阅读更多 ...

使用Euler-Maruyama方案推断SDE的参数

本笔记本源自为艾克斯-马赛大学系统神经科学研究所的理论神经科学小组准备的演示文稿。

阅读更多 ...