使用 BART 的分位数回归 / 非对称拉普拉斯分布 |
贝叶斯估计取代 T 检验 / 示例：药物试验评估 |
心理测量学中的验证性因子分析和结构方程模型 / 完整测量模型 |
心理测量学中的验证性因子分析和结构方程模型 / 测量模型 / 中级交叉加载模型 |
心理测量学中的验证性因子分析和结构方程模型 / 测量模型 |
心理测量学中的验证性因子分析和结构方程模型 / 贝叶斯结构方程模型 / 模型复杂性和贝叶斯敏感性分析 |
广义极值分布 / 建模与预测 |
从笨拙的分箱数据中估计分布参数 / 示例 2：使用另一组分箱进行参数估计 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 6：非正态分布 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 3：使用两个分箱一起进行参数估计 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 4：使用连续和分箱测量进行参数估计 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 5：分层估计 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 5：分层估计 / 检查后验 |
从笨拙的分箱数据中估计分布参数 / 示例 1：使用一组分箱进行高斯参数估计 / 模型规范 |
因子分析 / 模型 / 替代参数化 |
因子分析 / 模型 / 直接实现 |
使用项目反应理论进行 NBA 犯规分析 / 项目反应模型 / PyMC 实现 |
用于进行个性化推荐的概率矩阵分解 / 概率矩阵分解 |
高尔夫推杆的模型构建和扩展 / 新模型 |
高尔夫推杆的模型构建和扩展 / Logit 模型 |
可靠性统计和预测校准 / 可靠性数据的贝叶斯建模 / 威布尔生存的直接 PYMC 实现 |
橄榄球预测的分层模型 / 模型的构建 |
辛普森悖论 / 模型 1：合并回归 |
辛普森悖论 / 模型 2：包含混淆因素的未合并回归 |
辛普森悖论 / 模型 3：包含混淆因素的部分池化模型 |
贝叶斯非参数因果推断 / 因果推断和倾向评分 / 双重/去偏机器学习和 Frisch-Waugh-Lovell / 应用去偏 ML 方法 |
贝叶斯非参数因果推断 / 因果推断和倾向评分 / 中介效应和因果结构 |
贝叶斯非参数因果推断 / 因果推断和倾向评分 / 非混淆推断：NHEFS 数据 / 倾向评分建模 |
贝叶斯非参数因果推断 / 因果推断和倾向评分 / 非混淆推断：NHEFS 数据 / 使用倾向评分进行回归 |
双重差分 / 贝叶斯双重差分 / PyMC 模型 |
反事实推断：计算因 COVID-19 导致的超额死亡人数 / 因果推断免责声明 |
反事实推断：计算因 COVID-19 导致的超额死亡人数 / 建模 |
中断时间序列分析 / 建模 |
干预分布和使用 do-算子的图突变 / 三个不同的因果 DAG |
干预分布和使用 do-算子的图突变 / 我们可以使用贝叶斯推断做什么？ |
贝叶斯中介分析 / 定义 PyMC 模型并进行推断 |
贝叶斯中介分析 / 使用仅总效应模型进行双重检查 |
训练对肌肉发达程度的影响是否随年龄而降低？ / 定义 PyMC 模型并进行推断 |
回归不连续性设计分析 / 锐回归不连续性模型 |
模型平均 / 加权后验预测样本 |
采样器统计 / 多个采样器 |
采样器统计 |
使用数据容器 / 应用示例：幼儿身高作为年龄的函数 |
使用数据容器 / 应用示例：使用数据容器作为二项 GLM 的输入 |
使用数据容器 / 使用数据容器提高可读性和可重复性 / 具有数据容器的命名维度 |
使用数据容器 / 使用数据容器来改变数据 / 使用数据容器变量将同一模型拟合到多个数据集 |
使用数据容器 / 使用数据容器提高可读性和可重复性 |
使用 HSGP 的婴儿出生建模 / EDA 和特征工程 / 模型规范 / 模型实现 |
克罗内克结构协方差 / LatentKron / 模型 |
高斯过程 (GP) 平滑 / 让我们在 PyMC 中描述上述 GP 平滑模型 |
示例 1：分层 HSGP，更自定义的模型 / 正在寻找初学者入门？ / 构建模型 / 编码分层 GP |
示例 1：分层 HSGP，更自定义的模型 / 示例 2：利用 Kronecker 结构的 HSGP / Kronecker GP 规范 |
示例 1：分层 HSGP，更自定义的模型 / 示例 2：利用 Kronecker 结构的 HSGP / PyMC 模型 |
示例 1：分层 HSGP，更自定义的模型 / 正在寻找初学者入门？ / 构建模型 / 设置模型 |
高斯过程：HSGP 参考和第一步 / 示例 1：基本 HSGP 用法 / 定义和拟合 HSGP 模型 |
高斯过程：HSGP 参考和第一步 / 示例 1：基本 HSGP 用法 / 示例 2：将 HSGP 用作参数化线性模型 / 模型结构 |
高斯过程：HSGP 参考和第一步 / 示例 1：基本 HSGP 用法 / 示例 2：将 HSGP 用作参数化线性模型 / 设置系数，居中和非居中 |
多输出高斯过程：使用哈达玛积的协同区域化模型 / 内在协同区域化模型 (ICM) |
多输出高斯过程：使用哈达玛积的协同区域化模型 / 线性协同区域化模型 (LCM) |
推断 |
二项回归 / 二项回归模型 |
离散选择和随机效用模型 / 在重复选择中选择饼干：混合 Logit 模型 |
离散选择和随机效用模型 / 实验模型：添加相关结构 |
离散选择和随机效用模型 / 改进的模型：添加替代特定截距 |
离散选择和随机效用模型 / 基本模型 |
1. 模型 0：没有缺失值的基线 / 1.1 构建模型对象 |
2. 模型 A：自动插补缺失值 / 2.5 在 dfx_holdout 集上创建 PPC 预测 / 2.5.1 首先：完全重建模型，使用 dfx_holdout |
2. 模型 A：自动插补缺失值 / 2.1 构建模型对象 |
2. 模型 A：自动插补缺失值 |
GLM：模型选择 / 生成玩具数据集 / 演示简单的线性模型 / 使用显式 PyMC 方法定义模型 |
GLM：负二项回归 / 负二项回归 / 创建 GLM 模型 |
1. 模型 A：错误的方式 - 简单线性系数 / 1.1 构建模型对象 |
2. 模型 B：更好的方式 - 狄利克雷超先验分配器 / 2.1 构建模型对象 |
有序量表和调查数据 / 拟合各种模型规范 / 贝叶斯特性 |
有序量表和调查数据 / Liddell 和 Kruschke 的 IMDB 电影评分数据 |
样本外预测 / 定义和拟合模型 |
GLM：泊松回归 / 泊松回归 / 1. 手动方法，创建设计矩阵并手动指定模型 |
设置 / 4. 具有鲁棒 Student-T 似然的简单线性模型 / 4.1 指定模型 |
设置 / 5. 具有自定义似然以区分异常值的线性模型：Hogg 方法 / 5.1 指定模型 |
设置 / 3. 没有异常值校正的简单线性模型 / 3.1 指定模型 |
GLM：鲁棒线性回归 / 鲁棒回归 / 正态似然 |
滚动回归 / 滚动回归 |
滚动回归 |
使用截断或删失数据的贝叶斯回归 / 实现截断和删失回归模型 / 删失回归模型 |
使用截断或删失数据的贝叶斯回归 / 截断或删失回归解决的问题 |
使用截断或删失数据的贝叶斯回归 / 实现截断和删失回归模型 / 截断回归模型 |
多层建模的贝叶斯方法入门 / 添加组级预测变量 |
多层建模的贝叶斯方法入门 / 传统方法 |
多层建模的贝叶斯方法入门 / 添加组级预测变量 / 各层之间的相关性 |
多层建模的贝叶斯方法入门 / 非中心参数化 |
多层建模的贝叶斯方法入门 / 部分池化模型 |
多层建模的贝叶斯方法入门 / 变截距和斜率模型 |
多层建模的贝叶斯方法入门 / 变截距模型 |
多元正态模型的 LKJ Cholesky 协方差先验 |
贝叶斯缺失数据插补 / 贝叶斯插补 |
贝叶斯缺失数据插补 / 分层结构和数据插补 |
贝叶斯缺失数据插补 / 链式方程的贝叶斯插补 / PyMC 插补 |
使用“黑盒”似然函数 / 与等效 PyMC 分布的比较 |
贝叶斯 copula 估计：描述相关的联合分布 / 用于 copula 和边际估计的 PyMC 模型 |
如何调试模型 / 简介 / 将它们整合在一起 |
如何调试模型 / 简介 / 排除玩具 PyMC 模型故障 |
离散变量的自动边际化 / 高斯混合模型 |
使用 ModelBuilder 类部署 PyMC 模型 / 模型构建器类 |
使用 ModelBuilder 类部署 PyMC 模型 / 标准语法 |
样条 / 模型 / 拟合模型 |
样条 / 在新数据上预测 |
更新先验 / 警示语 / 模型规范 |
如何在 PyMC 中包装 JAX 函数以供使用 / 在 PyTensor 中包装 JAX 函数 / 使用 PyMC 进行抽样 |
通用 API 快速入门 / 3. 推断 / 3.2 分析抽样结果 |
通用 API 快速入门 / 2. 概率分布 / 确定性变换 |
通用 API 快速入门 / 2. 概率分布 / 初始化随机变量 |
通用 API 快速入门 / 2. 概率分布 / RV 列表 / 高维 RV |
通用 API 快速入门 / 1. 模型创建 |
通用 API 快速入门 / 2. 概率分布 / 观测随机变量 |
通用 API 快速入门 / 4. 后验预测抽样 |
通用 API 快速入门 / 4.1 在留出数据上预测 |
通用 API 快速入门 / 3. 推断 / 3.1 抽样 |
通用 API 快速入门 / 2. 概率分布 / 未观测随机变量 |
通用 API 快速入门 / 3. 推断 / 3.3 变分推断 |
用于密度估计的狄利克雷过程混合模型 / 狄利克雷过程混合模型 |
高斯混合模型 |
使用多种贝叶斯推断方式的 ODE Lotka-Volterra 模型 / 使用梯度的贝叶斯推断 / 使用 Pytensor Scan 模拟 / 使用 NUTs 推断 |
使用多种贝叶斯推断方式的 ODE Lotka-Volterra 模型 / 使用梯度的贝叶斯推断 / PyMC ODE 模块 / 使用 NUTS 推断 |
用于无梯度贝叶斯推断的 ODE Lotka-Volterra 的 PyMC 模型规范 / PyMC 模型 |
旧式良好高斯拟合 |
使用 JAX 和 Numba 更快地抽样 |
使用块更新的 Lasso 回归 |
条件自回归 (CAR) 模型 / 在 PyMC 中编写一些模型 / 我们的第一个模型：独立的随机效应模型 |
条件自回归 (CAR) 模型 / 在 PyMC 中编写一些模型 / 我们的第二个模型：空间随机效应模型（具有固定的空间依赖性） |
条件自回归 (CAR) 模型 / 在 PyMC 中编写一些模型 / 我们的第三个模型：具有未知空间依赖性的空间随机效应模型 |
不同的协方差函数 |
模型规范 |
在纽约市行人事故数据集上演示 BYM 模型 / 使用 PyMC 指定 BYM 模型 |
线性回归 / (5) 分析真实数据 |
线性回归 / 基于模拟的验证和校准 |
分类 / 分析真实样本 / 分析合成人 |
来自直线的曲线 / 示例：樱花盛开 / 从先验中抽取一些样本 |
分类 / 测试 / 拟合对合成样本的总效应 |
来自直线的曲线 / 多项式线性模型 / 将 N 阶多项式拟合到高度 / 宽度数据 |
奖励：完全豪华贝叶斯 / 我们为什么要这样做？ |
混淆因素周期表 / 分叉示例：结婚率和离婚率（以及华夫饼屋！） / (3) 婚姻对离婚的因果效应的统计模型 / 在模拟数据上运行统计模型 |
混淆因素周期表 / 连续型示例 / 年龄对离婚率的因果效应的统计模型 |
混淆因素 / 后门准则 / 未分层（混淆）模型 / 拟合未分层模型，忽略 Z（和 U） |
混淆因素 / 后门准则 / 按 Z 分层（未混淆） |
无限原因，有限数据 / 惩罚预测和模型（误）选择 / 模拟植物生长实验 / 正确的调整集（不按 F 分层） |
无限原因，有限数据 / 异常值和稳健回归 / 拟合最小二乘模型 |
无限原因，有限数据 / 惩罚预测和模型（误）选择 / 模拟植物生长实验 / 不正确的调整集（按 F 分层） |
无限原因，有限数据 / 使用 Student-t 似然的稳健线性回归 |
绘制马尔可夫猫头鹰 🦉 / 包括法官效应 / 拟合法官模型 |
2012 年新泽西州葡萄酒评判 / 最简单的模型 / 拟合简单的、特定于葡萄酒的模型 |
绘制马尔可夫猫头鹰 🦉 / 更完整的模型，按葡萄酒产地 O_{X[i]} 分层 / 拟合葡萄酒产地模型 |
3. 统计模型 / 拟合直接因果效应模型 |
3. 统计模型 / 入学的统计模型 / 拟合总因果效应模型 |
混淆的入学 / 直接效应估计器（现在由于共同能力原因而被混淆） / 拟合（混淆的）直接效应模型 |
混淆的入学 / 敏感性分析：建模潜在能力混淆变量 / 拟合潜在能力模型 |
混淆的入学 / 总效应估计器 / 拟合总效应模型 |
计数和泊松回归 / 比较模型 / 模型 A - 全局截距模型 |
计数和泊松回归 / 比较模型 / 模型 B - 交互模型 |
奖励：辛普森的潘多拉魔盒 / 非线性困扰 / 部分分层模型 – \text{logit}(p) = \alpha + \beta_{Z[i]} X_i |
奖励：辛普森的潘多拉魔盒 / 非线性困扰 / 尝试完全分层模型 – \text{logit}(p_i) = \alpha_{Z[i]} + \beta_{Z[i]}X_i |
奖励：辛普森的潘多拉魔盒 / 非线性困扰 / 未分层模型 – \text{logit}(p_i) = \alpha + \beta X_i |
伦理与电车难题研究 / 有序单调预测变量 / 评估教育的直接效应：按性别和年龄分层 |
伦理与电车难题研究 / 竞争原因怎么样？ / 拟合按性别分层的模型 |
伦理与电车难题研究 / 统计模型 / 从简单开始 |
案例研究：芦苇蛙生存 / 构建多层（分层）模型 / 拟合多层模型 |
奖励：固定效应、多层模型和蒙德拉克机器 / 随机混淆因素 / 固定效应模型 |
案例研究：芦苇蛙生存 / 构建多层（分层）模型 / 比较多层模型和固定 sigma 模型 / 固定 sigma 模型 |
奖励：固定效应、多层模型和蒙德拉克机器 / 随机混淆因素 / 多层模型 |
案例研究：芦苇蛙生存 / 包括捕食者的存在 / 具有捕食者效应的多层模型 |
奖励：固定效应、多层模型和蒙德拉克机器 / 随机混淆因素 / 朴素模型 |
奖励：固定效应、多层模型和蒙德拉克机器 / 随机混淆因素 / 蒙德拉克机器 / 统计模型 |
案例研究：芦苇蛙生存 / 让我们构建一个（多层）模型 / 先验方差 \sigma 怎么样？ |
奖励：固定效应、多层模型和蒙德拉克机器 / 潜在蒙德拉克机器（又名“完全豪华贝叶斯”） / 2. Y 子模型 |
孟加拉国的生育率和行为 / 不同的地区 + 城市 / 拟合地区-城市模型 |
孟加拉国的生育率和行为 / 从简单开始：不同的地区 |
添加相关特征 / 具有相关特征的模型 / 一些注意事项 ⚠️ |
奖励：非中心化（又名变换）先验 / 示例：魔鬼漏斗先验 / 中心化先验模型 |
奖励：非中心化（又名变换）先验 / 非中心化先验 |
添加相关特征 / 先前的模型 – 使用不相关的城市特征 |
是什么激励分享？ / 包括预测性家庭特征 / 将观察到的混淆变量添加到模拟数据集 |
是什么激励分享？ / 3) 统计模型 / 在模拟数据上拟合财富赠予模型（验证） |
是什么激励分享？ / 3) 统计模型 / 拟合社交关系模型 / 注释 |
系统发育回归 / 线性回归的两种等效公式 / 经典线性回归 |
系统发育回归 / 从模型到核函数 / 拟合完整的系统发育模型。 |
系统发育回归 / 从模型到核函数 / 群体大小对大脑大小的影响 |
高斯过程（抽象概念） / 基于距离的模型 / 岛屿距离矩阵 |
系统发育回归 / 从模型到核函数 / 仅限距离的模型 / PyMC 实现 |
系统发育回归 / 线性回归的两种等效公式 / \text{MVNormal} 线性回归 |
错误分类 / Himba 牧民文化中的亲子关系 / 拟合不考虑错误分类的类似模型 |
测量建模 / 比较对测量误差进行建模和不进行建模的模型的因果效应 / 拟合不考虑测量误差的模型 |
测量建模 / 让我们从更简单开始 / 拟合离婚测量误差模型 |
测量建模 / 让我们从更简单开始 / 4 个子模型 / 结婚率测量误差模型 |
测量误差 / 误解：测量误差只能减少效应，而不能增加效应 |
错误分类 / Himba 牧民文化中的亲子关系 / 拟合具有错误分类误差的模型 / 注释 |
奖励：浮点怪物 / 以前的具有对数缩放技巧的亲子关系测量模型 |
重新审视系统发育回归 / 绘制缺失的猫头鹰 🦉 / 用于比较的完整案例模型 |
重新审视系统发育回归 / 绘制缺失的猫头鹰 🦉 / 3. 使用特定于 G 的子模型插补 G / 3. 拟合结合系统发育和 M \rightarrow G 的模型 |
重新审视系统发育回归 / 绘制缺失的猫头鹰 🦉 / 2. 天真地插补 G,M，忽略每个模型 / 拟合朴素插补模型 |
重新审视系统发育回归 / 绘制缺失的猫头鹰 🦉 / 4. 使用每个子模型插补 B,G,M |
重新审视系统发育回归 / 绘制缺失的猫头鹰 🦉 / 3. 使用特定于 G 的子模型插补 G / 2. 仅包括社交群体系统发育相互作用的模型 |
重新审视系统发育回归 / 绘制缺失的猫头鹰 🦉 / 3. 使用特定于 G 的子模型插补 G / 1. 仅对身体质量对群体大小 M \rightarrow G 的影响进行建模的模型 |
贝叶斯参数生存分析 / 加速失效时间模型 / 对数-logistic 生存回归 |
贝叶斯参数生存分析 / 加速失效时间模型 / 威布尔生存回归 |
删失数据模型 / 删失数据模型 / 模型 1 - 删失数据的插补删失模型 |
删失数据模型 / 删失数据模型 / 模型 2 - 删失数据的未插补删失模型 |
删失数据模型 / 未删失模型 |
脆弱性和生存回归模型 / 加速失效时间模型 |
脆弱性和生存回归模型 / 拟合具有固定效应的基本 Cox 模型 |
脆弱性和生存回归模型 / 拟合具有个体共享脆弱项的模型 |
贝叶斯生存分析 / 贝叶斯比例风险模型 |
重新参数化威布尔加速失效时间模型 / 参数化 1 |
重新参数化威布尔加速失效时间模型 / 参数化 2 |
重新参数化威布尔加速失效时间模型 / 参数化 3 |
PyMC 中 AR(1) 模型的分析 |
PyMC 中 AR(1) 模型的分析 / 扩展到 AR(p) |
航空乘客 - 类似 Prophet 的模型 / 第 1 部分：线性趋势 |
航空乘客 - 类似 Prophet 的模型 / 第 2 部分：进入季节性 |
使用 Euler-Maruyama 方案推断 SDE 的参数 / 示例模型 |
使用结构 AR 时间序列进行预测 / 预测步骤 |
使用结构 AR 时间序列进行预测 / 使情况复杂化 / 指定趋势模型 |
使用结构 AR 时间序列进行预测 / 指定模型 |
使用结构 AR 时间序列进行预测 / 进一步使情况复杂化 / 指定趋势 + 季节性模型 |
使用结构 AR 时间序列进行预测 / 使情况复杂化 / 将我们的模型包装到一个函数中 |
多元高斯随机游走 / 模型 |
从生成图导出的时间序列模型 / 动机 / 定义 AR(2) 过程 / 生成 AR(2) 图 |
贝叶斯向量自回归模型 / 添加贝叶斯特性：分层 VAR |
贝叶斯向量自回归模型 / 处理多个滞后和不同维度 |
非线性变化轨迹 / 最小模型 |
非线性变化轨迹 / 添加多项式时间 |
非线性变化轨迹 / 随时间变化的行為 |
非线性变化轨迹 / 比较不同性别的轨迹 |
随时间变化建模。 / 控制同侪效应的模型 |
随时间变化建模。 / 无条件均值模型 |
随时间变化建模。 / 父母酗酒的未控制效应 |
随时间变化建模。 / 无条件增长模型 |
GLM：分批ADVI在分层回归模型上的应用 |
变分推断：贝叶斯神经网络 / PyMC中的贝叶斯神经网络 / 模型规范 |
Pathfinder变分推断 |
PyMC变分推断简介 / 分批 |
PyMC变分推断简介 / 多标签逻辑回归 |