update all translated lectures

Author: HumphreyYang

lectures/ar1_bayes.md

@@ -17,24 +17,24 @@ kernelspec:
 </div>
 ```
 
-# {index}`最优增长 IV：内生网格方法 <single: Optimal Growth IV: The Endogenous Grid Method>`
+# {index}`最优增长 IV：内生网格法 <single: Optimal Growth IV: The Endogenous Grid Method>`
 
 ```{contents} 目录
 :depth: 2
 ```
 
 ## 概述
 
-之前，我们使用以下方法求解了随机最优增长模型：
+在之前，我们使用以下方法求解了随机最优增长模型：
 
 1. {doc}`值函数迭代 <optgrowth_fast>`
 1. {doc}`基于欧拉方程的时间迭代 <coleman_policy_iter>`
 
-我们发现时间迭代在精确度和效率方面都明显更好。
+我们发现时间迭代在准确性和效率方面都明显更好。
 
-在本讲座中，我们将研究时间迭代的一个巧妙变体，称为**内生网格方法**（EGM）。
+在本讲中，我们将学习一种对时间迭代的巧妙变形，称为**内生网格方法**（EGM）。
 
-EGM是由[Chris Carroll](http://www.econ2.jhu.edu/people/ccarroll/)发明的一种实现策略迭代的数值方法。
+EGM是由[Chris Carroll](http://www.econ2.jhu.edu/people/ccarroll/)发明的一种实现政策迭代的数值方法。
 
 原始参考文献是{cite}`Carroll2006`。
 
@@ -48,13 +48,13 @@ from numba import jit
 
 ## 核心思想
 
-让我们先回顾一下理论，然后看看如何进行数值计算。
+让我们先回顾一下理论，然后看看数值计算如何配合。
 
 ### 理论
 
 采用{doc}`时间迭代讲座 <coleman_policy_iter>`中设定的模型，遵循相同的术语和符号。
 
-欧拉方程是
+欧拉方程为
 
 ```{math}
 :label: egm_euler
@@ -63,11 +63,11 @@ from numba import jit
 = \beta \int (u'\circ \sigma^*)(f(y - \sigma^*(y)) z) f'(y - \sigma^*(y)) z \phi(dz)
 ```
 
-如我们所见，Coleman-Reffett算子是一个非线性算子 $K$，其设计使得 $\sigma^*$ 是 $K$ 的不动点。
+如我们所见，Coleman-Reffett算子是一个非线性算子$K$，其设计使得$\sigma^*$是$K$的不动点。
 
-它以连续严格递增的消费策略 $\sigma \in \Sigma$ 作为参数。
+它以一个连续严格递增的消费策略$\sigma \in \Sigma$作为参数。
 
-它返回一个新函数 $K \sigma$，其中 $(K \sigma)(y)$ 是满足以下方程的 $c \in (0, \infty)$：
+它返回一个新函数$K \sigma$，其中$(K \sigma)(y)$是满足以下方程的$c \in (0, \infty)$：
 
 ```{math}
 :label: egm_coledef
@@ -78,39 +78,39 @@ u'(c)
 
 ### 外生网格
 
-如{doc}`时间迭代讲座 <coleman_policy_iter>`中所讨论的，要在计算机上实现该方法，我们需要数值近似。
+如{doc}`时间迭代讲座 <coleman_policy_iter>`中所讨论的，要在计算机上实现该方法，我们需要一个数值近似。
 
-具体来说，我们通过有限网格上的一组值来表示策略函数。
+具体来说，我们用有限网格上的一组值来表示策略函数。
 
-在必要时，使用插值或其他方法从这种表示中重构函数本身。
+在需要时，使用插值或其他方法从这种表示中重建函数本身。
 
-{doc}`之前 <coleman_policy_iter>`，为了获得更新后消费策略的有限表示，我们：
+{doc}`之前 <coleman_policy_iter>`，为了获得更新后消费策略的有限表示，我们
 
-* 固定一个收入点网格 $\{y_i\}$
-* 使用{eq}`egm_coledef`和一个寻根程序计算对应于每个 $y_i$ 的消费值 $c_i$
+* 固定了一个收入点网格 $\{y_i\}$
+* 使用{eq}`egm_coledef`和一个寻根程序计算对应每个$y_i$的消费值$c_i$
 
-每个 $c_i$ 被解释为函数 $K \sigma$ 在 $y_i$ 处的值。
+每个$c_i$被解释为函数$K \sigma$在$y_i$处的值。
 
-因此，有了点 $\{y_i, c_i\}$，我们可以通过近似重构 $K \sigma$。
+因此，有了点$\{y_i, c_i\}$后，我们可以通过近似重建$K \sigma$。
 
 然后继续迭代...
 
 ### 内生网格
 
-上述方法需要一个寻根程序来找到对应于给定收入值 $y_i$ 的 $c_i$。
+上述方法需要一个寻根程序来找到对应给定收入值$y_i$的$c_i$。
 
-寻根计算成本很高，因为它通常涉及大量的函数求值。
+求根计算成本很高，因为它通常需要大量的函数求值。
 
-正如Carroll {cite}`Carroll2006`指出的，如果 $y_i$ 是内生选择的，我们可以避免这一点。
+正如Carroll {cite}`Carroll2006`指出的那样，如果$y_i$是内生选择的，我们可以避免这种情况。
 
-唯一需要的假设是 $u'$ 在 $(0, \infty)$ 上可逆。
+唯一需要的假设是$u'$在$(0, \infty)$上是可逆的。
 
-令 $(u')^{-1}$ 为 $u'$ 的逆函数。
+令$(u')^{-1}$为$u'$的反函数。
 
-思路是这样的：
+基本思路是：
 
-* 首先，我们为资本（$k = y - c$）固定一个*外生*网格 $\{k_i\}$。
-* 然后通过以下方式获得 $c_i$：
+* 首先，我们为资本($k = y - c$)固定一个*外生*网格$\{k_i\}$。
+* 然后我们通过以下方式获得$c_i$
 
 ```{math}
 :label: egm_getc
@@ -122,37 +122,37 @@ c_i =
 \right\}
 ```
 
-* 最后，对于每个 $c_i$，我们设定 $y_i = c_i + k_i$。
+* 最后，对于每个$c_i$我们设定$y_i = c_i + k_i$。
 
-显然，以这种方式构造的每个 $(y_i, c_i)$ 对都满足{eq}`egm_coledef`。
+显然，以这种方式构造的每个$(y_i, c_i)$对都满足{eq}`egm_coledef`。
 
-有了点 $\{y_i, c_i\}$，我们可以像之前一样通过近似重构 $K \sigma$。
+有了这些点$\{y_i, c_i\}$，我们可以像之前一样通过近似重构$K \sigma$。
 
-EGM这个名称来源于网格 $\{y_i\}$ 是**内生**确定的这一事实。
+EGM这个名称来源于网格$\{y_i\}$是**内生**决定的这一事实。
 
 ## 实现
 
-如{doc}`之前 <coleman_policy_iter>`一样，我们将从一个简单的设定开始，其中：
+如{doc}`之前 <coleman_policy_iter>`，我们将从一个简单的设定开始，其中
 
 * $u(c) = \ln c$，
-* 生产函数是Cobb-Douglas形式，且
-* 冲击是对数正态分布的。
+* 生产函数是柯布-道格拉斯形式，且
+* 冲击是对数正态分布。
 
-这将允许我们与解析解进行比较
+这将使我们能够与解析解进行比较
 
 ```{code-cell} python3
 :load: _static/lecture_specific/optgrowth/cd_analytical.py
 ```
 
-我们重用`OptimalGrowthModel`类
+我们重用 `OptimalGrowthModel` 类
 
 ```{code-cell} python3
 :load: _static/lecture_specific/optgrowth_fast/ogm.py
 ```
 
 ### 算子
 
-这里是使用上述EGM实现的 $K$ 算子。
+以下是使用EGM实现$K$的代码，如上所述。
 
 ```{code-cell} python3
 @jit
@@ -162,7 +162,7 @@ def K(σ_array, og):
 
     """
 
-    # 简化名称
+    # 简化命名
     f, β = og.f, og.β
     f_prime, u_prime = og.f_prime, og.u_prime
     u_prime_inv = og.u_prime_inv
@@ -185,7 +185,7 @@ def K(σ_array, og):
     return c
 ```
 
-注意这里没有任何寻根算法。
+注意这里没有任何求根算法。
 
 ### 测试
 
@@ -202,31 +202,31 @@ grid = og.grid
 :load: _static/lecture_specific/coleman_policy_iter/solve_time_iter.py
 ```
 
-让我们调用它：
+让我们运行它：
 
 ```{code-cell} python3
 σ_init = np.copy(grid)
 σ = solve_model_time_iter(og, σ_init)
 ```
 
-这是结果策略与真实策略的对比图：
+以下是结果策略与真实策略的比较：
 
 ```{code-cell} python3
 y = grid + σ  # y_i = k_i + c_i
 
 fig, ax = plt.subplots()
 
 ax.plot(y, σ, lw=2,
-        alpha=0.8, label='近似策略函数')
+        alpha=0.8, label='approximate policy function')
 
 ax.plot(y, σ_star(y, og.α, og.β), 'k--',
-        lw=2, alpha=0.8, label='真实策略函数')
+        lw=2, alpha=0.8, label='true policy function')
 
 ax.legend()
 plt.show()
 ```
 
-两个策略之间的最大绝对偏差是：
+两个策略之间的最大绝对偏差是
 
 ```{code-cell} python3
 np.max(np.abs(σ - σ_star(y, og.α, og.β)))
@@ -239,10 +239,8 @@ np.max(np.abs(σ - σ_star(y, og.α, og.β)))
 σ = solve_model_time_iter(og, σ_init, verbose=False)
 ```
 
-相对于已经被证明非常高效的时间迭代，EGM在不影响精确度的情况下进一步缩短了运行时间。
-
-这是因为这个算法没有使用寻根算法。
-
-我们现在掌握了一个可以快速求解最优增长模型的工具。
+相对于时间迭代，EGM在没有任何数值求根步骤的情况下，仍然能够显著减少计算时间，同时保持高精度。
 
+这是因为没有数值求根步骤。
 
+我们现在可以非常快速地求解给定参数的随机最优增长模型。