最近在学time-series model，偶的天，这玩意真是复杂！频度方法怎么看都没懂，一会儿移动平均，一会自回归，还有方差－协方差矩阵。。。。掠过。

转到贝叶斯方法，感觉好多了。贝叶斯关于时间序列的模型，是基于过程模型(process equation)和观察模型(observation equation)之上的。在每个水平上，都可以引入不确定性：process error, observation error；还可以很轻松的解决比如缺失值、非等间隔取样等问题。相对于频度统计而言，贝叶斯方法有一个相对统一的解决问题的框架：数据的似然、先验、后验。感觉贝叶斯方法非常灵活（异常灵活？），基本上可以包含进入你任何想要包含的东西，可能也正是这种灵活性，遭到许多人的诟病。最明显的一点就是关于先验概率：主观性。我们的结论到底是应该只依赖于实验（一切源于数据，即似然函数），还是可以依赖于实验与已有知识的结合？争论不休！但不管怎么说，贝叶斯方法的强大之处在于解决复杂问题（包含自然界中众多的不确定性），如果你喜欢“一切基于事实（实验数据）”，那你可以假定先验为“flat”的。

越来越喜欢贝叶斯方法了。