外觀
Statistics › 貝氏統計
貝氏統計 (Bayesian Statistics)
把機率視為信念程度 (degree of belief),看到新證據就更新。不只問「H₀ 下這筆資料有多不尋常」,而是直接描述參數本身的不確定性。
建議順序
text
先驗 (Prior) → 概似 (Likelihood) → 後驗 (Posterior) → 推論與決策 → 計算(MCMC)→ 模型比較
↑___________________________________________|
後驗可成為下一輪的先驗筆記
| 筆記 | 內容 | 回答的問題 |
|---|---|---|
| 貝氏定理與核心概念 | 更新循環、擲硬幣範例 | 貝氏思維怎麼運作? |
| 先驗分配 | 資訊性 / 弱資訊性 / 無資訊、先驗預測檢查 | 怎麼把先前知識寫成分配? |
| 概似與共軛先驗 | Beta-Binomial、Gamma-Poisson、Normal-Normal | 什麼時候後驗有公式解? |
| 後驗推論 | 可信區間、HDI、後驗預測、決策 | 怎麼摘要與溝通後驗? |
| MCMC | Metropolis-Hastings、NUTS、收斂診斷 | 算不出公式時怎麼抽樣? |
| 模型比較 | 貝氏因子、LOO-CV、WAIC、模型平均 | 哪個模型預測得更好? |
| 貝氏 vs 頻率學派 | CI vs 可信區間、p 值 vs 後驗機率 | 何時用哪個框架? |
常用工具
| 套件 | 用途 |
|---|---|
scipy.stats | 共軛情況下的先驗 / 後驗(Beta、Gamma) |
pymc | 機率程式語言、MCMC |
arviz | 後驗摘要、收斂診斷、視覺化 |
bambi | 用公式語法寫貝氏迴歸(類似 statsmodels / lme4) |