bayesian-analysis-recipes

介绍

我最近被贝叶斯（Bayesian）统计分析的灵活性和强大能力所启发。然而，与许多事情一样，灵活性往往意味着易用性上的权衡。我认为，如果能有一本适用于多种场景的代码“食谱”，将极大帮助贝叶斯方法在更广泛场景中的应用！

目标

我的目标是每个模型对应一个 notebook。在每个 notebook 中，你应该能找到以下内容：

• 所要解决的问题类型。
• 数据应如何组织的说明。
• 一个示例数据表。通常这些数据会是 整洁数据（tidy data）。
• 模型的 PyMC3 代码；某些 notebook 中可能包含同一模型的两个版本。
• 如何报告 MCMC（马尔可夫链蒙特卡洛）采样后验结果的示例。

希望这些“食谱”对你有所帮助！

（假）设

我的假设遵循帕累托原则（Pareto principle）：现实世界中的大部分问题本质上可以归结为少数几类问题，而这些问题都可以用贝叶斯方法进行解释。

具体而言，我有一种直觉：像 ANOVA（方差分析）这样常用的方法，可以被概念上更简单、解释性更强的贝叶斯替代方案所取代，例如 John Kruschke 提出的 BEST（Bayesian Estimation Supersedes the T-test，贝叶斯估计优于 t 检验）。例如，ANOVA 只能检验多个处理组的均值是否相同……而 BEST 则在假设各处理组相同时，给出每个处理组的后验分布估计。因此，我们可以获得更丰富的信息：基于现有数据，可以直接对任意两组之间的差异做出判断，而无需额外进行多重假设校正等步骤。

延伸阅读／观看／收听

书籍：

• Bayesian Methods for Hackers
• Think Bayes

论文：

• Bayesian Estimation Supersedes the t-Test

视频：

• Computational Statistics I @ SciPy 2015
• Computational Statistics II @ SciPy 2015
• Bayesian Statistical Analysis with Python @ PyCon 2017
• Bayesian Estimation Supersedes the t-Test

有反馈？

你可以通过以下几种方式帮助把这个仓库打造成贝叶斯方法学习者的绝佳资源：

1. 如果你有问题：请在 GitHub issue 中提出你的问题，我会尽力回复。
2. 如果你有改进建议：请提交一个 pull request，说明你的修改内容及原因。保持简洁，无需长篇大论地论证。

bayesian-analysis-recipes 快速上手指南

环境准备

• 操作系统：支持 Linux、macOS 和 Windows
• Python 版本：建议 Python 3.8 或更高版本
• 前置依赖：
  • jupyter（用于运行 Notebook）
  • pymc3（核心贝叶斯建模库）
  • 其他依赖见项目 requirements.txt

💡 建议使用虚拟环境（如 venv 或 conda）隔离依赖。

安装步骤

方法一：本地安装（推荐）

git clone https://github.com/ericmjl/bayesian-analysis-recipes.git
cd bayesian-analysis-recipes
pip install -r requirements.txt

🇨🇳 国内用户可使用清华源加速安装：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

方法二：在线运行（无需安装）

点击下方按钮直接在 Binder 上运行：

基本使用

1. 启动 Jupyter Notebook：

jupyter notebook

2. 在浏览器中打开任意 .ipynb 文件（例如 01-one-sample-t-test.ipynb）
3. 按顺序运行 Notebook 中的单元格，查看贝叶斯模型代码、数据示例及后验分析结果

每个 Notebook 包含：

• 问题场景说明
• 数据格式要求（通常为 tidy data）
• PyMC3 模型实现
• 后验结果解读示例

示例：运行 01-one-sample-t-test.ipynb 可快速体验用贝叶斯方法替代传统 t 检验。