标签为 regression 的文章
辛普森悖论
- 21 九月 2024
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。
辛普森悖论
- 21 九月 2024
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。
辛普森悖论
- 21 九月 2024
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。
辛普森悖论
- 21 九月 2024
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。
验证性因子分析和心理测量学中的结构方程模型
- 21 九月 2024
“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]
心理测量学中的验证性因子分析和结构方程模型
- 21 九月 2024
“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]
验证性因子分析和心理测量学中的结构方程模型
- 21 九月 2024
“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]
心理测量学中的验证性因子分析和结构方程模型
- 21 九月 2024
“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]
使用BART建模异方差性
- 21 一月 2023
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。
使用BART建模异方差性
- 21 一月 2023
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。
使用BART建模异方差性
- 21 一月 2023
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。
使用BART建模异方差性
- 21 一月 2023
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。
双重差分法
- 21 九月 2022
本笔记本简要概述了差异中的差异方法在因果推断中的应用，并展示了一个在贝叶斯框架下使用PyMC进行此类分析的工作示例。虽然本笔记本提供了该方法的高层次概述，但我建议参考两本关于因果推断的优秀教科书。《The Effect》和《Causal Inference: The Mixtape》都有专门介绍差异中的差异的章节。
双重差分法
- 21 九月 2022
本笔记本简要概述了差异中的差异方法在因果推断中的应用，并展示了一个在贝叶斯框架下使用PyMC进行此类分析的工作示例。虽然本笔记本提供了该方法的高层次概述，但我建议参考两本关于因果推断的优秀教科书。《The Effect》和《Causal Inference: The Mixtape》都有专门介绍差异中的差异的章节。
双重差分法
- 21 九月 2022
本笔记本简要概述了差异中的差异方法在因果推断中的应用，并展示了一个在贝叶斯框架下使用PyMC进行此类分析的工作示例。虽然本笔记本提供了该方法的高层次概述，但我建议参考两本关于因果推断的优秀教科书。《The Effect》和《Causal Inference: The Mixtape》都有专门介绍差异中的差异的章节。
双重差分法
- 21 九月 2022
本笔记本简要概述了差异中的差异方法在因果推断中的应用，并展示了一个在贝叶斯框架下使用PyMC进行此类分析的工作示例。虽然本笔记本提供了该方法的高层次概述，但我建议参考两本关于因果推断的优秀教科书。《The Effect》和《Causal Inference: The Mixtape》都有专门介绍差异中的差异的章节。
反事实推断：计算由于COVID-19导致的超额死亡
- 21 七月 2022
因果推理和反事实思维是非常有趣但复杂的主题！尽管如此，我们可以通过相对简单的例子来理解这些概念。本笔记本专注于贝叶斯因果推理的概念及其使用PyMC的实际实现。
反事实推断：计算由于COVID-19导致的超额死亡
- 21 七月 2022
因果推理和反事实思维是非常有趣但复杂的主题！尽管如此，我们可以通过相对简单的例子来理解这些概念。本笔记本专注于贝叶斯因果推理的概念及其使用PyMC的实际实现。
反事实推断：计算因COVID-19导致的超额死亡
- 21 七月 2022
因果推理和反事实思维是非常有趣但复杂的主题！尽管如此，我们可以通过相对简单的例子来理解这些概念。本笔记本专注于贝叶斯因果推理的概念及其使用PyMC的实际实现。
反事实推断：计算因COVID-19导致的超额死亡
- 21 七月 2022
因果推理和反事实思维是非常有趣但复杂的主题！尽管如此，我们可以通过相对简单的例子来理解这些概念。本笔记本专注于贝叶斯因果推理的概念及其使用PyMC的实际实现。
样条
- 04 六月 2022
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。
样条
- 04 六月 2022
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。
样条
- 04 六月 2022
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。
样条
- 04 六月 2022
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。
断点回归设计分析
- 21 四月 2022
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。
断点回归设计分析
- 21 四月 2022
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。
断点回归设计分析
- 21 四月 2022
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。
回归不连续设计分析
- 21 四月 2022
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。
使用块更新的Lasso回归
- 10 二月 2022
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。
使用块更新的Lasso回归
- 10 二月 2022
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。
使用块更新的Lasso回归
- 10 二月 2022
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。
使用块更新的Lasso回归
- 10 二月 2022
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。
贝叶斯加性回归树：介绍
- 21 十二月 2021
贝叶斯加性回归树（BART）是一种非参数回归方法。如果我们有一些协变量\(X\)，并且我们想用它们来建模\(Y\)，一个BART模型（省略先验）可以表示为：
贝叶斯加性回归树：介绍
- 21 十二月 2021
贝叶斯加性回归树（BART）是一种非参数回归方法。如果我们有一些协变量\(X\)，并且我们想用它们来建模\(Y\)，一个BART模型（省略先验）可以表示为：
贝叶斯加性回归树：介绍
- 21 十二月 2021
贝叶斯加性回归树（BART）是一种非参数回归方法。如果我们有一些协变量\(X\)，并且我们想用它们来建模\(Y\)，一个BART模型（省略先验）可以表示为：
贝叶斯加性回归树：介绍
- 21 十二月 2021
贝叶斯加性回归树（BART）是一种非参数回归方法。如果我们有一些协变量\(X\)，并且我们想用它们来建模\(Y\)，一个BART模型（省略先验）可以表示为：