标签为 generalized linear model 的文章
广义线性模型：负二项回归
- 21 九月 2023
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’
广义线性模型：负二项回归
- 21 九月 2023
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’
GLM: 负二项回归
- 21 九月 2023
指令“include”：未找到文件：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/extra_installs.md’
离散选择和随机效用模型
- 21 六月 2023
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’
离散选择和随机效用模型
- 21 六月 2023
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’
离散选择和随机效用模型
- 21 六月 2023
指令“include”：未找到文件：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/extra_installs.md’
有序分类结果的回归模型
- 21 四月 2023
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。
有序分类结果的回归模型
- 21 四月 2023
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。
有序分类结果的回归模型
- 21 四月 2023
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。
有序分类结果的回归模型
- 21 四月 2023
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。
分层二项式模型：大鼠肿瘤示例
- 10 一月 2023
本简短教程演示了如何使用 PyMC 对《贝叶斯数据分析 第三版》第 5 章中发现的鼠肿瘤示例进行推理 [Gelman 等，2013]。读者应已熟悉 PyMC API。
分层二项模型：大鼠肿瘤示例
- 10 一月 2023
本简短教程演示了如何使用 PyMC 对《贝叶斯数据分析 第三版》第 5 章中发现的鼠肿瘤示例进行推理 [Gelman 等，2013]。读者应已熟悉 PyMC API。
分层二项模型：大鼠肿瘤示例
- 10 一月 2023
本简短教程演示了如何使用 PyMC 对《贝叶斯数据分析 第三版》第 5 章中发现的鼠肿瘤示例进行推理 [Gelman 等，2013]。读者应已熟悉 PyMC API。
分层二项模型：大鼠肿瘤示例
- 10 一月 2023
本简短教程演示了如何使用 PyMC 对《贝叶斯数据分析 第三版》第 5 章中发现的鼠肿瘤示例进行推理 [Gelman 等，2013]。读者应已熟悉 PyMC API。
使用项目反应理论进行NBA犯规分析
- 17 四月 2022
本教程展示了贝叶斯项目反应理论 [福克斯，2010] 在NBA篮球犯规数据中的应用，使用PyMC实现。基于Austin Rochford的博客文章 NBA Foul Calls and Bayesian Item Response Theory。
使用项目反应理论进行NBA犯规分析
- 17 四月 2022
本教程展示了贝叶斯项目反应理论 [福克斯，2010] 在NBA篮球犯规数据中的应用，使用PyMC实现。基于Austin Rochford的博客文章 NBA Foul Calls and Bayesian Item Response Theory。
NBA犯规分析与项目反应理论
- 17 四月 2022
本教程展示了贝叶斯项目反应理论 [福克斯，2010] 在NBA篮球犯规数据中的应用，使用PyMC实现。基于Austin Rochford的博客文章 NBA Foul Calls and Bayesian Item Response Theory。
NBA犯规分析与项目反应理论
- 17 四月 2022
本教程展示了贝叶斯项目反应理论 [福克斯，2010] 在NBA篮球犯规数据中的应用，使用PyMC实现。基于Austin Rochford的博客文章 NBA Foul Calls and Bayesian Item Response Theory。