||
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。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-1 13:11
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社