标签为 autoregressive 的文章

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...

空间数据的Besag-York-Mollie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Besag-York-Mollie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Besag-York-Mollie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Besag-York-Mollie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...

在PyMC中分析AR(1)模型

考虑以下在无限过去初始化的AR(2)过程：

\[ y_t = \rho_0 + \rho_1 y_{t-1} + \rho_2 y_{t-2} + \epsilon_t, \]
其中 \(\epsilon_t \overset{iid}{\sim} {\cal N}(0,1)\)。 假设您想从观测样本 \(Y^T = \{ y_0, y_1,\ldots, y_T \}\) 中了解 \(\rho\)。

阅读更多 ...

在PyMC中分析AR(1)模型

考虑以下在无限过去初始化的AR(2)过程：

\[ y_t = \rho_0 + \rho_1 y_{t-1} + \rho_2 y_{t-2} + \epsilon_t, \]
其中 \(\epsilon_t \overset{iid}{\sim} {\cal N}(0,1)\)。 假设您想从观测样本 \(Y^T = \{ y_0, y_1,\ldots, y_T \}\) 中了解 \(\rho\)。

阅读更多 ...

在PyMC中分析AR(1)模型

考虑以下在无限过去初始化的AR(2)过程：

\[ y_t = \rho_0 + \rho_1 y_{t-1} + \rho_2 y_{t-2} + \epsilon_t, \]
其中 \(\epsilon_t \overset{iid}{\sim} {\cal N}(0,1)\)。 假设您想从观测样本 \(Y^T = \{ y_0, y_1,\ldots, y_T \}\) 中了解 \(\rho\)。

阅读更多 ...

在PyMC中分析AR(1)模型

考虑以下在无限过去初始化的AR(2)过程：

\[ y_t = \rho_0 + \rho_1 y_{t-1} + \rho_2 y_{t-2} + \epsilon_t, \]
其中 \(\epsilon_t \overset{iid}{\sim} {\cal N}(0,1)\)。 假设您想从观测样本 \(Y^T = \{ y_0, y_1,\ldots, y_T \}\) 中了解 \(\rho\)。

阅读更多...

使用结构化AR时间序列进行预测

贝叶斯结构时间序列模型是一种有趣的方式，可以了解任何观察到的时间序列数据中固有的结构。它还使我们能够向前投影隐含的预测分布，从而为我们提供另一种预测问题的视角。我们可以将观察到的时间序列数据的已学习特征视为关于同一指标未实现的未来状态结构的参考信息。

阅读更多 ...

使用结构化AR时间序列进行预测

贝叶斯结构时间序列模型是一种有趣的方式，可以了解任何观察到的时间序列数据中固有的结构。它还使我们能够向前投影隐含的预测分布，从而为我们提供另一种预测问题的视角。我们可以将观察到的时间序列数据的已学习特征视为关于同一指标未实现的未来状态结构的参考信息。

阅读更多 ...

使用结构化AR时间序列进行预测

贝叶斯结构时间序列模型是一种有趣的方式，可以了解任何观察到的时间序列数据中固有的结构。它还使我们能够向前投影隐含的预测分布，从而为我们提供另一种预测问题的视角。我们可以将观察到的时间序列数据的已学习特征视为关于同一指标未实现的未来状态结构的参考信息。

阅读更多 ...

使用结构化AR时间序列进行预测

贝叶斯结构时间序列模型是一种有趣的方式，可以了解任何观察到的时间序列数据中固有的结构。它还使我们能够向前投影隐含的预测分布，从而为我们提供另一种预测问题的视角。我们可以将观察到的时间序列数据的已学习特征视为关于同一指标未实现的未来状态结构的参考信息。

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 ...