企业官网建设流程全解析

想在真实数据上掌握隐藏马尔可夫模型（HMM）？《Statistical Rethinking》2026 开源课程（stat_rethinking_2026）给出了完整路径：Richard McElreath 教授把 HMM 放在课程第 10 周压轴讲授，配套脚本覆盖了从猞猁-野兔种群周期、黑猫领养生存分析到总统"死亡概率"的马尔可夫建模全流程。本文带你沿课程脚本走一遍，理解 HMM 的核心思想并找到动手入口。

为什么 HMM 值得学：一个"看不见"的问题

HMM 解决的是这类问题：系统内部有状态，但你只能看到状态的模糊证据。

以课程里的经典例子为例：一位"总统"每天可能公开露面（观察到 0/1），但他实际处于"活着"或"已死"两个隐藏状态之一。活着时他 50% 概率露面，死了则几乎永远不露面——于是"连续几天没露面"的证据会逐步推高你估计的"死亡概率"。这正是 HMM 的两大要素：

这套框架一旦建立，就能套用到物种监测、疾病分期、设备故障预警等大量场景。

第一步：猞猁-野兔周期——先看懂动态系统

动手 HMM 之前，课程先用猞猁与野兔（Lynx-Hare）的经典皮草贸易数据带你复习动态系统的贝叶斯建模，脚本见 B09_new_lynx.R。

该脚本的脉络非常清晰：

1. R code 16.13：绘制 21 年间的猞猁/野兔数量，肉眼可见的周期性振荡；
2. R code 16.14：写出捕食者-猎物的差分方程仿真函数sim_lynx_hare，理解"猎物驱动捕食者、捕食者压制猎物"的循环机制；
3. R code 16.17–16.19：把微分方程嵌入 Stan，用 MCMC 从皮草数据反推四个生态参数，并用 21 条后验预测时间序列检验模型是否复现了真实周期；
4. R code 16.21：再用自回归（AR1）思路对照——不同建模视角的对比，正是本课程"数据花园"思想的体现。

🦊 这一节的收获：HMM 不是凭空出现的，它是"带隐变量的时间序列"。猞猁-野兔让你先熟悉"用数据反推系统机制"的贝叶斯工作流。

第二步：黑猫生存分析——处理删失数据的三种等价姿势

接下来 B08 black cats new script.r 用 AustinCats 数据讲生存分析：每只猫有两个属性——days_to_event（多少天后被领养）和out_event（领养/死亡/仍留在收容所）。"仍留在收容所"的猫只有下限信息，这就是典型的**右删失（right-censored）**数据。

脚本演示了三种处理删失的方式，结论完全等价：

• 只建事件模型：对已领养猫用几何分布似然(1-P)^(days-1)*P，ulam直接拟合；
• 加删失似然项：adopted==0的猫贡献log( (1-P)^days )，一行代码解决删失；
• 插补（imputation）版本：为每只删失猫引入参数days_imputed，把删失似然变成缺失值的先验，用cstan直接写 Stan 代码。

三种写法互相验证后，课程再用 Kaplan-Meier 后验预测曲线（对 1000 只模拟猫作survfit）检查推断质量。

🐈 生存分析看似和 HMM 无关，但它训练的核心能力——"只看到部分证据时如何建模"——正是 HMM 的前置技能。

第三步：B10 核心脚本——纯 Stan 手写 HMM

压轴脚本 B10_HMMs_basic.R 用 CmdStan 从零搭建 HMM，是全文最值得精读的部分。

3.1 最小可用的 HMM：三块积木

整个模型代码可以拆成三块：

1. 构造转移矩阵gamma：2×2 矩阵中gamma[1,2]=phi（每日死亡概率），gamma[2,1]=0（死人不会复活）；
2. 发射对数似然log_omega：对每个状态、每一天，计算bernoulli_lpmf(Y[n] | theta[k])；
3. 一行核心：target += hmm_marginal(log_omega, gamma, rho);——Stan 前向-后向算法自动完成边缘化，无需手写隐状态积分。

先验设置也颇有讲究：theta[2] ~ beta(1,100)让"死者的露面概率"接近 0 但不严格为 0，避免数值溢出；phi ~ beta(1,50)表达"每日死亡概率约 2%"的弱先验。

3.2 从后验里读出"哪一天死的"

采样后，generated quantities块提供两种解读：

• hmm_latent_rng(...)：从后验中采样一条具体隐状态轨迹（"他最可能在第 50 天死"）；
• hmm_hidden_state_prob(...)：逐日"死亡概率"曲线——脚本把它画成带不确定带的时间序列，死亡日附近曲线陡然爬升，直观展示 HMM 如何用累积证据定位不可观测事件。

3.3 升级：多个体版本 = 捕获-再捕获模型

脚本后半段把模型推广为M只个体 ×N年的观测矩阵，每个个体独立跑一次hmm_marginal后累加似然。此时模型就退化成了生态学的捕获-再捕获（capture-recapture）模型：年度调查中"看见/没看见"某只动物，用来估计年死亡率phi。脚本用 100 只模拟动物（真实死亡率 0.05）验证了后验密度dens(post$phi)能精准覆盖真值。

📌 这是 HMM 的精髓所在：同一套前向-后向算法，换个数据排列就是生态学里成熟的人口模型。理解了它，你就拥有了一个可复用的建模模板。

配套作业与学习路径

课程每周配 PDF 作业题，本节相关的是 homework/homework_B08.pdf（生存/删失数据）与 homework/homework_B09.pdf（猞猁-野兔建模），部分章节附解答 PDF 可供对照。完整日程与讲座安排见 README.md 中的 Calendar & Topical Outline 表格。

环境准备清单

1. 安装 R 并装好rethinking包（课程所有脚本的第一行都是library(rethinking)）；
2. HMM 部分用cstan()，因此需要 CmdStan 后端，首次运行会自动编译；
3. 运行顺序建议：B09→B08→B10，先建立动态系统与删失数据直觉，再攻坚hmm_marginal。

总结：三条脚本串起的一条能力线

HMM 的门槛不在代码量——核心逻辑不超过 50 行 Stan——而在于"状态不可见、证据可累积"这一建模视角。跑通上面三个脚本后，你会发现把模板迁移到自己的问题（如设备故障、用户流失、疾病分期）只是换个先验和观测矩阵的事。