updates

Author: HumphreyYang

lectures/ar1_bayes.md

@@ -106,7 +106,7 @@ $$
 
 NUTS是一种蒙特卡洛马尔可夫链（MCMC）算法，它避免了随机游走行为，能更快地收敛到目标分布。
 
-这不仅具有速度上的优势，还允许在不掌握拟合方法的专门理论知识的情况下，拟合复杂模型。
+这不仅具有速度上的优势，还允许在不掌握拟合方法的理论知识的情况下，拟合复杂模型。
 
 让我们来探讨对$y_0$分布做出不同假设的影响：
 
@@ -119,7 +119,7 @@ NUTS是一种蒙特卡洛马尔可夫链（MCMC）算法，它避免了随机游
 
 基本上，当$y_0$恰好位于平稳分布的尾部，而我们**不对$y_0$进行条件化**时，$\{y_t\}_{t=0}^T$的似然函数会调整后验分布的参数$\rho, \sigma_x$，使得观测到的$y_0$值在平稳分布下比实际情况更可能出现，从而在短样本中对后验分布产生扭曲。
 
-下面的例子展示了不对$y_0$进行条件化是如何不利地将$\rho$的后验概率分布向更大的值偏移的。
+下面的例子展示了不对$y_0$进行条件化是如何导致$\rho$的后验概率分布向更大的值偏移的。
 
 为了展示这一点，我们先通过模拟生成一个AR(1)过程的样本数据。