Skip to content

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?
MCMCMetropolis-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)