我对pythonpymc3
包的负二项回归解释感到困惑。我不知道如何解释GLM中的mu
和{
# The data
y = [100,200,300,400,50,300,60,89,90,100,100]
data = {'y':y, 'x':[1]*len(y)}
basic_model = pm.Model()
with basic_model:
fml = 'y~x'
pm.glm.GLM.from_formula(formula=fml, data=data, family=pm.glm.families.NegativeBinomial())
# draw 500 posterior samples
trace = pm.sample(500)
summary = pm.summary(trace, varnames=rvs)[['mean','hpd_2.5','hpd_97.5']]
print(summary)
然后我得到如下输出:
^{pr2}$我知道Intercept
&;x
部分来自here。在
但是如何解释mu
和{stats.gamma.rvs(alpha, scale=mu / alpha, size=size)
,但柱状图看起来太离谱了。谢谢您!在
因此,}参数是Exponential distribution的参数,其中}是函数调用中{}中所述的方差。在
alpha
和{mu
是平均值,alpha
是伽马参数。所以在指数分布中,1/gamma是平均值,1/(gamma^2)是方差,如果mu
是均值,那么{思考的方式是这样的:
泊松分布和指数分布之间有一个有趣的(关键)关系。如果您期望每个时间单位的gamma事件平均,那么事件之间的平均等待时间是指数分布的,带有参数gamma(因此平均等待时间是1/gamma),并且在每个时间单位中计数的事件数是参数gamma的Poisson分布。在
我希望这能让它更清楚一点,并给你一些直觉来思考它。在
相关问题 更多 >
编程相关推荐