原文链接：http://tecdat.cn/?p=21978 

原文出处：拓端数据部落公众号

 最近咱们被客户要求撰写对于Stan,JAGS的钻研报告，包含一些图形和统计输入。

本文将介绍如何在R中用rstan和rjags做贝叶斯回归剖析，R中有不少包能够用来做贝叶斯回归剖析，比方最早的（同时也是参考文献和例子最多的）R2WinBUGS包。这个包会调用WinBUGS软件来拟合模型，起初的JAGS软件也应用与之类似的算法来做贝叶斯剖析。然而JAGS的自由度更大，扩展性也更好。近来，STAN和它对应的R包rstan一起进入了人们的眼帘。STAN应用的算法与WinBUGS和JAGS不同，它改用了一种更弱小的算法使它能实现WinBUGS无奈胜任的工作。同时Stan在计算上也更为快捷，能节约工夫。

例子

设Yi为地区i=1，…，ni=1，…，n从2012年到2016年选举支持率减少的百分比。咱们的模型

式中，Xji是地区i的第j个协变量。所有变量均中心化并标准化。咱们抉择2∼InvGamma（0.01,0.01）和∼Normal（0100）作为误差方差和截距先验散布，并比拟不同先验的回归系数。

加载并标准化选举数据

# 加载数据 load("elec.RData") Y    <- Y[!is.na(Y+rowSums(X))] X    <- X[!is.na(Y+rowSums(X)),] n    <- length(Y) p    <- ncol(X)
## [1] 3111
 p
## [1] 15
 X    <- scale(X)# 将模型拟合到大小为100的训练集，并对残余的观测值进行预测 test  <- order(runif(n))>100 table(test)
## test## FALSE  TRUE ##   100  3011
 Yo    <- Y[!test]    # 观测数据 Xo    <- X[!test,] Yp    <- Y[test]     # 为预测预留的地区 Xp    <- X[test,]

选举数据的探索性剖析 

boxplot(X, las = 3

image(1:p, 1:p, main = "预测因子之间的相关性")

rstan中实现

对立先验散布

如果模型没有明确指定先验散布，默认状况下，Stan将在参数的适合范畴内收回一个对立的先验散布。留神这个先验可能是不适合的，然而只有数据创立了一个适合的后验值就能够了。

data {  int<lower=0> n; // 数据项数  int<lower=0> k; // 预测变量数  matrix[n,k] X; // 预测变量矩阵  vector[n] Y; // 后果向量}parameters {  real alpha; // 截距  vector[k] beta; // 预测变量系数  real<lower=0> sigma; // 误差
rstan_options(auto_write = TRUE)#fit <- stan(file = 'mlr.stan', data = dat)
print(fit)

 

hist(fit, pars = pars)

dens(fit)

traceplot(fit)

 

 

 

rjags中实现

用高斯先验拟合线性回归模型

library(rjags)model{#  预测  for(i in 1:np){    Yp[i]  ~ dnorm(mup[i],inv.var)    mup[i] <- alpha + inprod(Xp[i,],beta[])  # 先验概率  alpha     ~ dnorm(0, 0.01)  inv.var   ~ dgamma(0.01, 0.01)  sigma     <- 1/sqrt(inv.var)

在JAGS中编译模型

# 留神：Yp不发送给JAGSjags.model(model,                     data = list(Yo=Yo,no=no,np=np,p=p,Xo=Xo,Xp=Xp))
coda.samples(model,         variable.names=c("beta","sigma","Yp","alpha"),

从后验预测散布(PPD)和JAGS预测散布绘制样本

#提取每个参数的样本 samps       <- samp[[1]] Yp.samps    <- samps[,1:np] #计算JAGS预测的后验平均值 beta.mn  <- colMeans(beta.samps)# 绘制后验预测散布和JAGS预测 for(j in 1:5)    # JAGS预测    y  <- rnorm(20000,mu,sigma.mn)    plot(density(y),col=2,xlab="Y",main="PPD")    # 后验预测散布    lines(density(Yp.samps[,j]))    # 真值    abline(v=Yp[j],col=3,lwd=2)

 

 

 

 # 95% 置信区间 alpha.mn+Xp%*%beta.mn - 1.96*sigma.mn alpha.mn+Xp%*%beta.mn + 1.96*sigma.mn
## [1] 0.9452009
 # PPD 95% 置信区间 apply(Yp.samps,2,quantile,0.025) apply(Yp.samps,2,quantile,0.975)
## [1] 0.9634673

请留神，PPD密度比JAGS预测密度略宽。这是思考和中不确定性的影响，它解释了JAGS预测的covarage略低的起因。然而，对于这些数据，JAGS预测的覆盖率依然能够。

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