标签为 parameter estimation 的文章
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。
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。