共计 2455 个字符，预计需要花费 7 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=24721
本文，我通过两个种群生态学家可能感兴趣的例子来阐明应用“JAGS”来模仿数据：首先是线性回归，其次是预计动物存活率（公式化为状态空间模型）。
最近，我始终在致力模仿来自简单分层模型的数据。我当初正在应用 JAGS。
模仿数据 JAGS 很不便，因为你能够应用（简直）雷同的代码进行模仿和推理，并且你能够在雷同的环境（即 JAGS）中进行模仿钻研（偏差、精度、区间笼罩）。
线性回归示例
咱们首先加载本教程所需的包：
library(R2jags) 而后间接切入正题，让咱们从线性回归模型生成数据。应用一个 data 块，并将参数作为数据传递。
data{
# 似然函数:
for (i in 1:N){y\[i\] ~ # tau 是精度（1/ 方差）。} 这里，alpha 和 beta 是截距和斜率、tau 方差的精度或倒数、y 因变量和 x 解释变量。
咱们为用作数据的模型参数抉择一些值：
# 模仿的参数
N # 样本
x <- 1:N # 预测因子
alpha # 截距
beta # 斜率
sigma# 残差 sd
1/(sigma*sigma) # 精度
# 在模仿步骤中，参数被当作数据处理 当初运行 JAGS; 请留神，咱们监控因变量而不是参数，就像咱们在进行规范推理时所做的那样：
# 运行后果
out
输入有点乱，须要适当格式化：
# 从新格式化输入
mcmc(out)
dim
dat
当初让咱们将咱们用来模仿的模型拟合到咱们刚刚生成的数据中。不再赘述，假如读者相熟 JAGS 线性回归。
# 用 BUGS 语言指定模型
model <-
for (i in 1:N){y\[i\] ~ dnorm(mu\[i\], tau) # tau 是精度 (1/ 方差)
alpha 截距
beta # 斜率
sigma # 标准差
# 数据
dta <- list(y = dt, N = length(at), x = x)
# 初始值
inits
# MCMC 设置
ni <- 10000
# 从 R 中调用 JAGS
jags()
让咱们看看后果并与咱们用来模仿数据的参数进行比拟（见上文）：
# 总结后验
print(res)
查看收敛：
# 追踪图
plot(res)
绘制回归参数和残差标准差的后验散布：
# 后验散布
plot(res)
模仿示例
我当初阐明如何应用 JAGS 来模仿来自具备恒定生存和从新捕捉概率的模型的数据。我假如读者相熟这个模型及其作为状态空间模型的公式。
让咱们模仿一下！
# 恒定的生存和从新捕捉概率
for (i in 1:nd){for (t in f:(on-1)){
#概率
for (i in 1:nid){
# 定义埋伏状态和第一次捕捉时的察看值
z\[i,f\[i\] <- 1
mu2\[i,1\] <- 1 * z\[i,f\[i\] # 在第一次捕捉时检测为 1（"以第一次捕捉为条件"）。# 而后解决当前的状况
for (t in (f\[i\]+1):non){
# 状态过程
mu1\[i,t\] <- phi * z
# 察看过程
mu2\[i,t\] <- p * z让咱们为参数抉择一些值并将它们存储在数据列表中：
# 用于模仿的参数
n = 100 # 个体的数量
meanhi <- 0.8 # 存活率
meap <- 0.6 # 重捕率
data<-list 当初运行 JAGS：
out
格式化输入：
as.mcmc(out)
head(dat)
我只监测了检测和非检测，但也能够取得状态的模仿值，即集体在每种状况下是生是死。你只须要批改对 JAGS 的调用 monitor=c("y","x") 并相应地批改输入。
当初咱们将 Cormack-Jolly-Seber (CJS) 模型拟合到咱们刚刚模仿的数据中，假如参数不变：
# 倾向性和束缚
for (i in 1:nd){for (t in f\[i\]:(nn-1)){mehi ~ dunif(0, 1) # 均匀生存率的先验值
Me ~ dunif(0, 1) # 均匀重捕的先验值
# 概率
for (i in 1:nd){
# 定义第一次捕捉时的埋伏状态
z\[i\]\] <- 1
for (t in (f\[i\]+1):nions){
# 状态过程
z\[i,t\] ~ dbern(mu1\[i,t\])
# 察看过程
y\[i,t\] ~ dbern(mu2\[i,t\])筹备数据：
# 标记的场合的向量
gerst <- function(x) min(which(x!=0))
# 数据
jagta# 初始值
for (i in 1:dim\]){min(which(ch\[i,\]==1))
max(which(ch\[i,\]==1))
function(){list(meaphi, mep , z) }咱们想对生存和从新捕捉的概率进行推断：
规范 MCMC 设置：
ni <- 10000 筹备运行 JAGS！
# 从 R 中调用 JAGS
jags(nin = nb, woy = getwd() )
总结后验并与咱们用来模仿数据的值进行比拟：
print(cj3)
十分靠近！
跟踪图
trplot
后验分布图
denplot
最受欢迎的见解
1.matlab 应用贝叶斯优化的深度学习
2.matlab 贝叶斯隐马尔可夫 hmm 模型实现
3.R 语言 Gibbs 抽样的贝叶斯简略线性回归仿真
4.R 语言中的 block Gibbs 吉布斯采样贝叶斯多元线性回归
5.R 语言中的 Stan 概率编程 MCMC 采样的贝叶斯模型
6.Python 用 PyMC3 实现贝叶斯线性回归模型
7.R 语言应用贝叶斯 层次模型进行空间数据分析
8.R 语言随机搜寻变量抉择 SSVS 预计贝叶斯向量自回归（BVAR）模型
9.matlab 贝叶斯隐马尔可夫 hmm 模型实现