タグ付けされた質問 「jags」

ベイジアンモデルを推定するためのBUGSスタイルの環境を試しています。OpenBugsまたはJAGSを選択する際に考慮すべき重要な利点はありますか？近い将来、一方が他方を置き換える可能性はありますか？ Rで選択したGibbs Samplerを使用します。特定のアプリケーションはまだありませんが、どちらを導入して学習するかを決定しています。

41 r  software  bugs  jags  gibbs 

BUGSとRのパラメーター化が異なる正規分布、対数正規分布、ワイブル分布を見つけました。 これらのそれぞれについて、Rが使用する2番目のパラメーターは、BUGS（または私の場合はJAGS）で使用する前に逆変換（1 /パラメーター）する必要があることを収集します。 現在存在するこれらの変換の包括的なリストを知っている人はいますか？ 私が見つけることができる最も近いものは、JAGS 2.2.0ユーザーマニュアルの表7の分布を、?rnorm等の結果と、おそらくいくつかの確率テキストと比較することです。このアプローチでは、変換をPDFから個別に推定する必要があるようです。 このタスク（および起こりうるエラー）が既に行われている場合は回避するか、ここからリストを開始します。 更新 Benの提案に基づいて、パラメーターのデータフレームをRからBUGSパラメーター化に変換する次の関数を作成しました。 ##' convert R parameterizations to BUGS paramaterizations ##' ##' R and BUGS have different parameterizations for some distributions. ##' This function transforms the distributions from R defaults to BUGS ##' defaults. BUGS is an implementation of the BUGS language, and these …

31 r  distributions  bugs  jags  parameterization 

広く引用されている論文で、階層モデルの分散パラメーターの事前分布 （Google Scholarでのこれまでの916件の引用）Gelmanは、階層型ベイジアンモデルにおける分散の非有益な事前分布は、均一分布と半t分布であると提案しています。私が正しいことを理解していれば、位置パラメータ（例：平均）が主な関心事である場合、これはうまく機能します。ただし、たとえば、タイミングタスクからの人間の応答データを分析する場合、多くの場合、タイミングの変動性が重要な尺度であるという意味で、分散パラメーターが主な関心事です。そのような場合、分析後に参加者レベルとグループレベルの両方で平均分散の信頼性を取得したいので、たとえば均一な分布を使用して階層的にどのように変動性をモデル化できるかはわかりません。 私の質問は次のとおりです。データの分散が主な関心事である場合、階層型ベイジアンモデルを構築する際にどの分布が推奨されますか？ 平均とSDで指定されるようにガンマ分布を再パラメーター化できることを知っています。たとえば、以下の階層モデルは、Kruschkeの本Doing Bayesian Data Analysisからのものです。しかし、Gelmanは彼の記事でガンマ分布に関するいくつかの問題を概説しており、代替案、できればBUGS / JAGSでの作業が難しくない代替案の提案に感謝します。

16 bayesian  variance  prior  jags  hierarchical-bayesian 

素敵なブログ投稿とそこにリンクされている論文に従って、私はベイジアン変数の選択をいじるかもしれないと思った。私はrjagsでプログラムを作成し（私は非常に新人です）、Exxon Mobilの価格データを、そのリターンを説明する可能性が低いもの（パラジウム価格など）およびその他の関連性の高いもの（SP500など）とともに取得しました）。 実行するlm()と、過剰パラメーター化モデルの強力な証拠がありますが、パラジウムは間違いなく除外する必要があります。 Call: lm(formula = Exxon ~ 0 + SP + Palladium + Russell + OilETF + EnergyStks, data = chkr) Residuals: Min 1Q Median 3Q Max -1.663e-03 -4.419e-04 3.099e-05 3.991e-04 1.677e-03 Coefficients: Estimate Std. Error t value Pr(>|t|) SP 0.51913 0.19772 2.626 0.010588 * Palladium 0.01620 0.03744 0.433 …

14 regression  bayesian  multiple-regression  feature-selection  jags 

スタンとを使うことを学び始めたところrstanです。JAGS / BUGSがどのように機能するかについていつも混乱していない限り、描画するモデルのすべてのパラメーターに対して何らかの事前分布を常に定義する必要があると考えました。ただし、Stanのドキュメントに基づいてこれを行う必要はないようです。ここに彼らが提供するサンプルモデルがあります。 data { int<lower=0> J; // number of schools real y[J]; // estimated treatment effects real<lower=0> sigma[J]; // s.e. of effect estimates } parameters { real theta[J]; real mu; real<lower=0> tau; } model { theta ~ normal(mu, tau); y ~ normal(theta, sigma); } 事前定義muもされtauていません。JAGSモデルの一部をStanに変換する際に、事前定義されていない多くのパラメーターまたはほとんどのパラメーターを残しておけば、機能することがわかりました。 問題は、事前定義が定義されていないパラメーターがある場合、スタンが何をしているのか理解できないことです。デフォルトは均一分布のようなものですか？これはHMCの特別なプロパティの1つですか？すべてのパラメーターに事前定義済みの定義を必要としませんか？

14 mcmc  prior  jags  graphical-model  stan 

ベイジアンラッソを説明する数学に重点を置いた論文がいくつかありますが、使用できるテスト済みの正しいJAGSコードが必要です。 正規化されたロジスティック回帰を実装するサンプルBUGS / JAGSコードを投稿できますか？任意のスキーム（L1、L2、Elasticnet）が最適ですが、Lassoが推奨されます。また、興味深い代替の実装戦略があるのだろうかと思います。

13 bayesian  logistic  lasso  jags  regularization 

JAGS言語で指定されたモデルでrjagsを使用してMCMCを実行しました。そのモデルを抽出し、それを使用して予測を実行する良い方法はありますか（私のパラメーターの事後分布を使用）？Rでモデルを再指定し、パラメータ事後のモードをプラグインできます。これを行うための余計な方法はないかと思っています。 http://sourceforge.net/p/mcmc-jags/discussion/610037/thread/0ecab41cも同じ質問をしていると思います。

12 r  jags 

私は、jagsとrjagsパッケージを使用して階層モデルを適合させようとしています。私の結果変数はyです。これは一連のベルヌーイ試行です。すべてのスピーカーはのカテゴリPにおける成功の確率があり、私の分析にPとM.ベース：私は、2つのカテゴリの下で実行されている38人の被験者を持っとのカテゴリMの成功の確率θ P × θ メートルを。：私はまた、いくつかのコミュニティレベルのPとMのためのハイパーパラメータがあることを仮定しているμ Pおよびμ メートル。θpθp\theta_pθp×θmθp×θm\theta_p\times\theta_mμpμp\mu_pμmμm\mu_m だから、すべてのスピーカーのため： とθ メートル〜BのE T （μ メートル × κ メートル、（1 - μ メートル）× κ M）ここで、κ P及びκ Mθp∼beta(μp×κp,(1−μp)×κp)θp∼beta(μp×κp,(1−μp)×κp)\theta_p \sim beta(\mu_p\times\kappa_p, (1-\mu_p)\times\kappa_p)θm∼beta(μm×κm,(1−μm)×κm)θm∼beta(μm×κm,(1−μm)×κm)\theta_m \sim beta(\mu_m\times\kappa_m, (1-\mu_m)\times\kappa_m)κpκp\kappa_pκmκm\kappa_m分布のピークに達したかコントロールが周りにあるおよびμ メートル。μpμp\mu_pμmμm\mu_m また、、μ M〜BのE T （M、BのM）。μp∼beta(Ap,Bp)μp∼beta(Ap,Bp)\mu_p \sim beta(A_p, B_p)μm∼beta(Am,Bm)μm∼beta(Am,Bm)\mu_m \sim beta(A_m, B_m) これが私のジャグモデルです。 model{ ## y = N bernoulli trials ## Each …

12 mcmc  multilevel-analysis  jags 

RとJAGSでゼロ膨張ポアソンモデルを設定しようとしています。私はJAGSを初めて使用するので、その方法についていくつかのガイダンスが必要です。 私は、y [i]が観測された変数である以下を試してみました model { for (i in 1:I) { y.null[i] <- 0 y.pois[i] ~ dpois(mu[i]) pro[i] <- ilogit(theta[i]) x[i] ~ dbern(pro[i]) y[i] <- step(2*x[i]-1)*y.pois[i] + (1-step(2*x[i]-1))*y.null[i] log(mu[i]) <- bla + bla +bla + .... theta[i] <- bla + bla + bla + .... } } ただし、監視変数で<-を使用できないため、これは機能しません。 これを変更/修正する方法はありますか？JAGSでゼロ膨張ポアソンモデルを設定する別の方法はありますか？

12 r  poisson-distribution  jags  zero-inflation 

多くの場合、完全な条件文は導出するのが非常に難しいようですが、JAGSやBUGSのようなプログラムはそれらを自動的に導出します。誰かが任意のモデル仕様の完全な条件をアルゴリズム的に生成する方法を説明できますか？

11 bayesian  conditional-probability  jags  bugs  gibbs 

私は、RとJAGSを使用したメタ分析のためのやや複雑な階層ベイズモデルを構築しています。ビットを簡略化、モデルの2つの主要なレベルが有する α J = Σ H γ H （J ） + ε J Y I jがあるIこの場合、エンドポイントの目を観察（ 、研究における対非GM作物の収量GM）jは、α jは、研究のための効果であるJ、γy私はj= αj+ ϵ私yij=αj+ϵi y_{ij} = \alpha_j + \epsilon_i αj= ∑hγh （j ）+ ϵjαj=∑hγh(j)+ϵj\alpha_j = \sum_h \gamma_{h(j)} + \epsilon_jy私はjyijy_{ij}私iijjjαjαj\alpha_jjjjγγ\gammaSは関数の家族によって様々な研究レベルの変数（などの研究が行われた国の経済発展状況、作物種、勉強法、）のための効果インデックス化されている、およびε sがエラー項です。ことを注意γ sがダミー変数の係数はありません。代わりに、さまざまな研究レベルの値に対して異なるγ変数があります。例えば、あるγ D 、E 、V 、E 、L 、O 、P 、I 、N 、G、発展途上国とのためのγ のD 、E のV …

10 autocorrelation  multilevel-analysis  mcmc  jags 

では、weightsパラメータを使用しRてglm回帰を「事前に重み付け」できます。例えば： glm.D93 <- glm(counts ~ outcome + treatment, family = poisson(), weights=w) JAGSまたはBUGSモデルでこれをどのように達成できますか？ これについて議論している論文を見つけましたが、どれも例を示していません。私は主にポアソンとロジスティック回帰の例に興味があります。

10 bayesian  generalized-linear-model  jags  bugs  weighted-regression 

私は、（通常）多重比較を心配する必要がない（通常） Gelmanの（再）を読んだばかりです。特に、「複数の結果とその他の課題」のセクション では、同じ人物/ユニットからの複数の関連する測定が異なる時間/条件である場合の階層モデルの使用について言及しています。それは多くの望ましい特性を持っているようです。 これは必ずしもベイジアンのものではないことを理解しています。誰かがrjagsやlmer（通常のJAGSやBUGSだけでなく、MCMCglmmなどの他の混合モデルライブラリも問題ないはずです）を使用して多変量マルチレベルモデルを適切に構築する方法を教えてくれます。対照的な結果？モデルが欲しい状況のタイプは、以下のおもちゃのデータ（多変量、反復測定）に反映されています。 set.seed(69) id <- factor(rep(1:20, 2)) # subject identifier dv1 <- c(rnorm(20), rnorm(20, 0.8, 0.3)) # dependent variable 1 data for 2 conditions dv2 <- c(rnorm(20), rnorm(20, 0.3, 0.6)) dv3 <- c(rnorm(20), rnorm(20, -0.3, 0.8)) dv4 <- c(rnorm(20), rnorm(20, 0.2, 1 )) dv5 <- c(rnorm(20), rnorm(20, 0.5, …

10 multiple-comparisons  multilevel-analysis  lme4-nlme  jags  hierarchical-bayesian 

私は、応答が比例であるモデルを構築しようとしています（これは、実際に党が選挙区で獲得する投票のシェアです）。その分布は正規ではないため、ベータ分布でモデル化することにしました。私はいくつかの予測因子も持っています。 しかし、私はそれをBUGS / JAGS / STANで書く方法がわかりません（JAGSが私の最良の選択でしょうが、それは本当に重要ではありません）。私の問題は、予測子によってパラメーターの合計を作成することですが、それを使って何ができるでしょうか コードは（JAG構文では）このようなものにy_hatなりyますが、およびパラメーターを「リンク」する方法がわかりません。 for (i in 1:n) { y[i] ~ dbeta(alpha, beta) y_hat[i] <- a + b * x[i] } （y_hatは、パラメーターと予測子のクロス積であり、したがって決定論的な関係です。aそしてb、私xが予測しようとする係数であり、予測子です）。 あなたの提案をありがとう！

10 bayesian  jags  bugs  beta-regression  stan 

JAGSの検閲問題にどのように適合するかについて質問があります。 X値に測定誤差がある2変量混合法線を観察します。観測された打ち切り値の真の基礎となる「手段」をモデル化したいと思います。 ⌈xtrue+ϵ⌉=xobserved ϵ∼N(0,sd=.5)⌈xtrue+ϵ⌉=xobserved ϵ∼N(0,sd=.5)\begin{align*} \lceil x_{true}+\epsilon \rceil = x_{observed} \ \epsilon \sim N(0,sd=.5) \end{align*} これが私が今持っているものです： for (i in 1:n){ x[i,1:2]~dmnorm(mu[z[i],1:2], tau[z[i],1:2,1:2]) z[i]~dcat(prob[ ]) } Yにも測定誤差があります。私がしたいのは次のようなものです： for (i in 1:n){ x_obs[i] ~ dnorm(x_true[i],prec_x)I(x_true[i],) y_obs[i] ~ dnorm(y_true[i],prec_y) c(x_true[i]:y_true[i])~dmnorm(mu[ z [ i ],1:2], tau[z[i],1:2,1:2]) z[i]~dcat(prob[ ]) } #priors for measurement error e_x~dunif(.1,.9) …

10 mcmc  censoring  truncation  jags