所有預測股價或股價指數皆為學術研究的記錄結果。我運用大數據分析方法建購股價或股價指數的數學模型，再由數學模型得到預測值。反覆1億次，得到預測值的抽樣分配，進行區間估計和機率計算。所有結果僅供參考，投資人因參考本文產生投資損益皆與作者無關。

概似函數是隨機獨立樣本形成的聯合機率。此時代表已知母體機率分配，但未必知道母體參數值。下面我將分享概似函數的定義，概似函數能做什用？

機率和統計的差異很容易知道，就是看你知不知道母體參數已知與否。但是你知道母體是什麼嗎？母體特性是用機率分配表示，那你知道機率分配嗎？機率分配由母體參數控制，那你知道不同機率分配的參數為何嗎？經過層層的了解你才能知道機率和統計的差異在哪，以及何時是用機率，何時是用統計。

母體所有的元素(或稱數字)可產生集中趨勢，那麼什麼叫做集中趨勢呢？集中趨勢的代表數字會受到哪些因素影響？對我們後續做統計分析時又會有什麼影響？且看內文與你分享的觀點。

區間估計有哪些是你需要了解的？這是民意調查或市場調查最基礎的概念，你需要知道的有可信度的意義和區間意義。

第三種適合度檢定是基於已知數據的機率分配和分配參數，此時我們就能夠選擇第三種方法，選擇分配和鍵入分配參數。有興趣測定數據來源的人可以下載軟體後，從我分享的三篇文章測定你手邊的數據。

機器學習的貝氏分類器觀念非常簡單，用2 × 2 表就能讓所有人了解邊際、聯合、條件機率。而條件機率從欄列互轉就是條件轉貝氏。這類加入機率的演算法有兩個大問題：事前機率有符合數據特性嗎？變數前後關係是人為主觀認定，還是數據自己決定？

讓我們找出數據的機率分配，而這個尋找方法必須連機率分配的參數一同找出來，才是完整的機率模型。本文是如何找出一組數據的來源系列續篇，適用於你已經知道數據的來源，但不知道分配參數為何的情況。我依舊使用「建模軟體」的操作畫面進行說明。有關建模軟體可以參考前篇：45種機率分配的適合度檢定。

新冠病毒自然災害事件以來，經濟高通膨成因不是那麼簡單，只來自總合需求面！本文分享無論是消費者的預期或是企業對營收的預期都是總合需求面影響！而這場自然災害事件不僅僅只有總合需求面，更有總合供給面的影響！過去石油危機讓停滯性通貨膨脹聞名於世，現在新冠病毒自然災害看似總合需求面影響，實則總合需求同樣受影響。並且在全球化的影響下，加劇了消費為主國家的總合供給變動！

讓我們找出數據的機率分配，而這個尋找方法必須連機率分配的參數一同找出來，才是完整的機率模型。