pymc.CAR#
- class pymc.CAR(name, *args, rng=None, dims=None, initval=None, observed=None, total_size=None, transform=UNSET, **kwargs)[源代码]#
条件自回归的似然性。这是多元正态分布的一个特例，具有邻接结构协方差矩阵。
\[f(x \mid W, \alpha, \tau) = \frac{|T|^{1/2}}{(2\pi)^{k/2}} \exp\left\{ -\frac{1}{2} (x-\mu)^{\prime} T^{-1} (x-\mu) \right\}\]其中 \(T = (\tau D(I-\alpha W))^{-1}\) 且 \(D = diag(\sum_i W_{ij})\)。
支持
\(x \in \mathbb{R}^k\)
均值
\(\mu \in \mathbb{R}^k\)
方差
\((\tau D(I-\alpha W))^{-1}\)
- 参数:
- mu : 类似张量 的
floattensor_like offloat 实值均值向量
- W : (M, M) 类似张量 的
int（M，M） 表示元素之间邻接关系的对称邻接矩阵，由1和0组成。如果可能，W 被转换为稀疏矩阵，否则回退到密集变量。使用
as_sparse_or_tensor_variable()进行这种稀疏或张量变量的转换。- alpha : 类似张量 的
floattensor_like offloat 自回归参数取值大于 -1 且小于 1。接近 0 的值表示较弱的关联性，接近 1 的值表示较高的自相关性。对于大多数使用情况，alpha 的支持应限制在 (0, 1) 范围内。
- tau : 类似张量 的
floattensor_like offloat 正精度变量，控制底层正态变量的尺度。
- mu : 类似张量 的
参考文献
方法
CAR.dist(mu, W, alpha, tau, *args, **kwargs)创建一个与 cls 分布相对应的张量变量。