标记为时间序列的文章
从生成图导出的时间序列模型
- 2025 年 1 月 24 日
在本笔记本中，我们展示了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 模型中有效地使用 scan 进行循环。
边际似然实现
- 2023 年 6 月 4 日
gp.Marginal 类实现了 GP 回归的更常见情况：观察到的数据是 GP 和高斯噪声的总和。 gp.Marginal 有一个 marginal_likelihood 方法，一个 conditional 方法和一个 predict 方法。 给定均值和协方差函数，函数 \(f(x)\) 被建模为，
变化的纵向模型
- 2023 年 4 月 24 日
变化的研究涉及同时分析个体变化轨迹，并抽象研究的个体集合，以提取关于所研究变化性质的更广泛的见解。 因此，很容易因为关注树木而看不到森林。 在这个例子中，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细微之处 - 从个体内部视图移动到个体之间/跨个体视角。
PyMC 中 AR(1) 模型的分析
- 2023 年 1 月 7 日
考虑以下 AR(2) 过程，在无限过去初始化
双重差分
- 2022 年 9 月 24 日
本笔记本简要概述了因果推断的双重差分方法，并展示了如何在贝叶斯框架下使用 PyMC 进行此类分析的工作示例。 虽然笔记本提供了该方法的高级概述，但我建议查阅两本关于因果推断的优秀教科书。 The Effect [Huntington-Klein, 2021] 和 Causal Inference: The Mixtape [Cunningham, 2021] 都有专门讨论双重差分的章节。
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理解这些想法。 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（日复一日收益率的方差）。 在某些时期，收益率波动很大，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。 以下模型类似于无 U 型转弯采样器论文中描述的模型，[Hoffman 和 Gelman，2014]。
航空乘客 - 类似 Prophet 的模型
- 2022 年 4 月 24 日
我们将看一下“航空乘客”数据集，该数据集跟踪了 1949 年至 1960 年美国航空公司乘客的月度总数。 我们可以使用 Prophet 模型 [Taylor 和 Letham，2018] 来拟合它（实际上，此数据集是他们在文档中提供的示例之一），但我们将在 PyMC3 中制作我们自己的类似 Prophet 的模型。 这将使检查模型的组件以及进行先验预测检查（贝叶斯工作流程 [Gelman等人，2020] 的组成部分）变得更加容易。