共计 3187 个字符，预计需要花费 8 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=24141
背景
贝叶斯模型提供了变量抉择技术，确保变量抉择的可靠性。对社会经济因素如何影响支出和工资的钻研为利用这些技术提供了充沛的机会，同时也为从性别歧视到高等教育的益处等主题提供了洞察力。上面，贝叶斯信息准则（BIC）和贝叶斯模型平均法被利用于构建一个扼要的支出预测模型。
这些数据是从 935 名受访者的随机样本中收集的。该数据集是_计量经济学数据集_系列的一部分。
加载包
数据将首先应用该 dplyr 包进行摸索，并应用该 ggplot2 包进行可视化。稍后，实现逐渐贝叶斯线性回归和贝叶斯模型均匀 (BMA)。
数据
数据集网页提供了以下变量形容表：
变量
形容
wage
每周支出（元）
hours
每周均匀工作工夫
IQ
智商分数
kww
对世界工作的理解得分
educ
受教育年数
exper
多年工作教训
tenure
在现任雇主工作的年数
age
年龄
married
=1 如果已婚
black
=1 如果是黑人
south
=1 如果住在北方
urban
=1 如果寓居在都市
sibs
兄弟姐妹的数量
brthord
出世程序
meduc
母亲的教育（年）
feduc
父亲的教育（年）
lwage
工资自然对数 wage
摸索数据
与任何新数据集一样，一个好的终点是规范的探索性数据分析。汇总表是简略的第一步。
# 数据集中所有变量的汇总表 -- 包含连续变量和分类变量
summary(wage)
因变量（工资）的直方图给出了正当预测应该是什么样子的。
# 工资数据的简略柱状图
hst(wge$wae, breks = 30)
直方图还可用于大抵理解哪些地方不太可能呈现后果。
# 查看图表 "尾部" 的点的数量
sm(wage$ge < 300)## \[1\] 6sm(wae$wge > 2000)## \[1\] 20简略线性回归
因为周工资（’wage’）是该剖析中的因变量，咱们想摸索其余变量作为预测变量的关系。咱们在数据中看到的工资变动的一种可能的、简略的解释是更聪慧的人赚更多的钱。下图显示了每周工资和 IQ 分数之间的散点图。
gplot(wae, es(iq, wge)) + gom\_oint() +gom\_smoth()
IQ 分数和工资之间仿佛存在轻微的正线性关系，但仅靠 IQ 并不能牢靠地预测工资。尽管如此，这种关系能够通过拟合一个简略的线性回归来量化，它给出：
工资 i = α + β⋅iqi + ϵiwagei = α + β⋅iqi + ϵi
m\_wg\_iq = lm(wge ~ iq, dta = age)
coefients
工资 i = 116.99 + 8.3 ⋅iqi + ϵiwagei = 116.99 + 8.3 ⋅iqi + ϵi
在转向贝叶斯改良这个模型之前，请留神贝叶斯建模假如误差 (ϵi) 以恒定方差正态分布。通过查看模型的残差散布来查看该假如。如果残差高度非正态或偏斜，则违反假如并且任何后续推论都有效。要查看假如，请按如下形式绘制残差：
# 用散点图和模型误差残差的直方图来查看正态性假如
glot(dta = mwag_q, es(x = .ite, y = .rd)) +
gemittr() +
plot(dta = m\_g\_iq, aes(x = .reid)) +
histgm(bnwth = 10)
变量变换
两个图都显示残差是右偏的。因而，IQ（因为它目前存在于数据集中）不利用作贝叶斯预测模型。然而，对 仅具备正值的偏斜_因_变量应用（天然）对数变换 通常能够解决问题。上面，该模型应用转换后的工资变量进行了从新拟合。
# 用 IQ 的自然对数拟合 th 模型
lm(lage ~ iq, data = wae)
# 残差 sctterplot 和转换后数据的柱状图
plt(data = m\_lag\_iq, es(x = .fited, y = .reid))
geiter() +
ggpot(dta = m_lwgeiq, as(x = .resd)) +
gostgam(binwth = .1) +
残差的确大抵呈正态分布。然而，由此产生的 IQ 系数十分小（只有 0.0088），这是能够意料的，因为 IQ 分数进步 1 分简直不会对工资产生太大影响。须要进一步细化。数据集蕴含更多信息。
多元线性回归和 BIC
咱们能够首先在回归模型中蕴含所有潜在的解释变量，来粗略地尝试解释尽可能多的工资变动。
# 对数据集中的所有变量运行一个线性模型，应用 '.' 约定。full = lm(lwge ~ . - wage, dta = wge)
残缺线性模型的上述总结表明，自变量的许多系数在统计上并不显着（请参阅第 4 个数字列中的 p 值）。抉择模型变量的一种办法是应用贝叶斯信息准则 (BIC)。BIC 是模型拟合的数值评估，它也会按样本大小的比例惩办更多的参数。这是残缺线性模型的 BIC：
BIC(full)
BIC 值越小示意拟合越好。因而，BIC 能够针对各种缩减模型进行计算，而后与残缺模型 BIC 进行比拟，以找到适宜工资预测工作的最佳模型。当然，R 有一个性能能够系统地执行这些 BIC 调整。
# 用 step 计算模型
pIC(lwge ~ . - wge, dta = na.oi(wge))lg(lgth(na.mit(wge))))
# 显示逐渐模型的 BIC
BIC(se_mol)
调用 step 找到产生最低 BIC 的变量组合，并提供它们的系数。很不错。
贝叶斯模型均匀（BMA）
即便 BIC 处于最低值，咱们能有多大把握确定所失去的模型是真正的 “ 最佳拟合 ”？答案很可能取决于根底数据的规模和稳定性。在这些不确定的时候，贝叶斯模型平均化（BMA）是有帮忙的。BMA 对多个模型进行平均化，取得系数的后验值和新数据的预测值。上面，BMA 被利用于工资数据（排除 NA 值后）。
# 不包含 NA
a_ona = na.omt(wae)
# 运行 BMA，指定 BIC 作为判断后果模型的规范
BMA(wge ~ . -wge, daa= ae\_o\_a,
pror = "BIC",
moepor = ufom())
# 显示后果
summary
后果表显示了五个最有可能的模型，以及每个系数被蕴含在实在模型中的概率。咱们看到，出世程序和是否有兄弟姐妹是最不可能被蕴含的变量，而教育和智商变量则被锁定。BMA 模型的排名也能够用图像图来显示，它分明地显示哪些变量在所有模型中，哪些变量被排除在所有模型之外，以及那些介于两者之间的变量。
ge(b_lge, tp.oels)
咱们还能够提供模型系数的 95% 置信区间。上面的后果反对了对于包含或排除系数的决定。例如，在区间蕴含零，有大量证据反对排除该变量。
confint(ceflae)
进行预测
构建模型后，pediction 只是插入数据的问题：
# 用一个虚构的工人的统计资料来预测数据的例子
# 进行预测
redict = pedct(e_odl, newdt = wrkr,eitr = "BMA")
# 将后果转换为元
exp(wk_pedct)
预计这名化妆工作人员的周薪为 745 元。这到底有多精确？你得问她，但咱们对咱们的变量抉择很有信念，并对现有的数据尽了最大致力。利用的贝叶斯技术使咱们对后果有信念。
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
