标记为案例研究的文章
反事实推断：计算 COVID-19 导致的超额死亡人数
- 2022 年 7 月 24 日
因果推理和反事实思维是非常有趣但复杂的主题！ 然而，我们可以通过相对简单的例子来了解这些想法。 本笔记本侧重于使用 PyMC 进行贝叶斯因果推理的概念和实际实现。
随机波动率模型
- 2022 年 6 月 17 日
资产价格具有随时间变化的波动率（日复一日returns的方差）。 在某些时期，收益变化很大，而在另一些时期则非常稳定。 随机波动率模型使用潜在的波动率变量对此进行建模，该变量被建模为随机过程。 以下模型类似于 No-U-Turn Sampler 论文中描述的模型，[Hoffman 和 Gelman，2014]。
用于进行个性化推荐的概率矩阵分解
- 2022 年 6 月 3 日
因此，您正在浏览 Netflix 上观看的内容，但就是不喜欢这些建议。 您只是知道您可以做得更好。 您只需从自己和朋友那里收集一些评分数据，并构建一个推荐算法。 本笔记本将指导您完成此操作！
使用项目反应理论分析 NBA 犯规
- 2022 年 4 月 17 日
本教程展示了贝叶斯项目反应理论 [Fox，2010] 在 NBA 篮球犯规数据中使用 PyMC 的应用。 基于 Austin Rochford 的博客文章 NBA 犯规和贝叶斯项目反应理论。
从笨拙的分箱数据中估计分布参数
- 2021 年 10 月 23 日
假设我们有兴趣推断人口的属性。 这可以是任何事物，从年龄分布、收入分布或体重指数分布，或各种不同的可能衡量标准。 在完成这项任务时，我们可能经常会遇到这样一种情况，即我们有多个数据集，每个数据集都可以告知我们对总体人口的看法。
贝叶斯 A/B 测试简介
- 2021 年 5 月 23 日
本笔记本演示了如何实现 A/B 测试的贝叶斯分析。 我们实现了 VWO 的贝叶斯 A/B 测试白皮书 [Stucchio，2015] 中讨论的模型，并讨论了这些模型不同先验选择的效果。 本笔记本不讨论其他相关主题，例如如何选择先验、提前停止和功效分析。