貝葉斯理論的精粹就在於,它完全而且完美的運用了你對一個理論的信念(prior belief)和你收集的資料(data或likelihood),從中得出結論(posterior belief),告訴你這個理論存在的機率或者這個理論模型引數的分
mlogit insurance premium deductible income, base(5)Iteration 0: log likelihood = -2011
說到這個分佈意義下的共軛,必然離不開那個經典的貝葉斯推斷的公式:後驗 = 先驗 * 似然
但是,鞋是男鞋女鞋,球鞋高跟鞋是由王子隨意定的
我們透過計算第行的(其中是第行缺失資料的列,是第行未缺失資料的列),透過計算期望可以去預測缺失資料除此之外,計算也是很重要的,因為它可以幫助我們分辨outliers資訊形式假設,我們稱和是模型的時間引數(moment parameters)