参考文章
从生成图导出的时间序列模型
- 24 January 2025
在本笔记本中，我们将展示如何从生成图开始建模和拟合时间序列模型。 特别是，我们解释了如何在 PyMC 模型中高效地使用 scan 进行循环。
心理测量学中的验证性因子分析和结构方程模型
- 24 September 2024
“显然，相关性和依赖性的概念比附加于概率判断的数值更基本于人类推理……用于表示概率信息的语言应该允许定性、直接和明确地表达关于依赖关系的主张” - Pearl 在智能系统中的概率推理 Pearl [1985]
高斯过程：HSGP 高级用法
- 28 June 2024
希尔伯特空间高斯过程近似是一种低秩 GP 近似，特别适合在像 PyMC 这样的概率编程语言中使用。 它使用预先计算和固定的基函数集来近似 GP，这些基函数不依赖于协方差核的形式或其超参数。 这是一个参数化近似，因此在 PyMC 中进行预测可以像使用线性模型一样通过 pm.Data 或 pm.set_data 完成。 您不需要定义非参数 GP 依赖的 .conditional 分布。 这使得将 HSGP 而不是 GP 集成到您现有的 PyMC 模型中容易得多。 此外，与许多其他 GP 近似不同，HSGP 可以用于模型中的任何位置以及任何似然函数。
高斯过程：HSGP 参考和第一步
- 10 June 2024
希尔伯特空间高斯过程近似是一种低秩 GP 近似，特别适合在像 PyMC 这样的概率编程语言中使用。 它使用预先计算和固定的基函数集来近似 GP，这些基函数不依赖于协方差核的形式或其超参数。 这是一个参数化近似，因此在 PyMC 中进行预测可以像使用线性模型一样通过 pm.Data 或 pm.set_data 完成。 您不需要定义非参数 GP 依赖的 .conditional 分布。 这使得将 HSGP 而不是 GP 集成到您现有的 PyMC 模型中容易得多。 此外，与许多其他 GP 近似不同，HSGP 可以用于模型中的任何位置以及任何似然函数。
贝叶斯非参数因果推断
- 24 January 2024
很少有比断言因果关系更强的主张，也很少有比这更具争议的主张。 一个幼稚的世界模型——充满了脆弱的联系和不合逻辑的推论——是阴谋论和愚蠢的特征。 另一方面，对因果关系的精细而详细的知识，其特点是清晰的期望、合理的联系和令人信服的反事实，将引导您顺利度过这个喧嚣、蓬勃发展的混乱世界。
边际似然实现
- 04 June 2023
gp.Marginal 类实现了 GP 回归的更常见情况：观测数据是 GP 和高斯噪声的总和。 gp.Marginal 具有 marginal_likelihood 方法、conditional 方法和 predict 方法。 给定均值和协方差函数，函数 \(f(x)\) 被建模为，
有序分类结果的回归模型
- 24 April 2023
与统计学的许多领域一样，调查数据的语言也带有一个过载的词汇表。 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在 (i) 抽样策略和 (ii) 对相关数据进行统计推断之间的对比。 我们不会深入探讨不同抽样策略的细节，例如：简单随机抽样、整群随机抽样或使用人口权重方案的分层随机抽样。 关于这些策略的文献浩如烟海，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 李克特量表调查响应数据和其他类型的有序分类数据是有用的。
变化的纵向模型
- 24 April 2023
变化的研究涉及同时分析个体变化轨迹，并对所研究的个体集合进行抽象，以提取关于所讨论的变化性质的更广泛的见解。 因此，很容易只见树木不见森林。 在本例中，我们将演示使用分层贝叶斯模型研究个体群体内部变化的一些微妙之处——从个体内部的视角转向个体之间/跨个体的视角。
用 BART 建模异方差性
- 24 January 2023
在本笔记本中，我们展示了如何使用 BART 建模异方差性，如 pymc-bart 的论文 [Quiroga et al., 2022] 的第 4.1 节中所述。 我们使用 R 包 datarium [Kassambara, 2019] 提供的 marketing 数据集。 想法是将营销渠道对销售额的贡献建模为预算的函数。