指定rstan中矩阵的先验分布
我很难得到一个贝叶斯混合效应模型,以产生平稳和良好的混合链。我已经创建了自己的数据,因此我知道模型应该检索哪些参数。不幸的是,由于参数的有效数量太少,而Rhat太高,所以参数估计完全是胡说八道 数据设计为60名受试者,分为三组(g1、g2、g3),每组20名受试者。每个受试者暴露于3种条件下(cond1、cond2、cond3)。我设计数据的目的是使各组之间没有差异,但条件之间存在差异,cond1平均得分为100分,cond2平均得分为75分,cond3平均得分为125分指定rstan中矩阵的先验分布,r,stan,rstan,R,Stan,Rstan,我很难得到一个贝叶斯混合效应模型,以产生平稳和良好的混合链。我已经创建了自己的数据,因此我知道模型应该检索哪些参数。不幸的是,由于参数的有效数量太少,而Rhat太高,所以参数估计完全是胡说八道 数据设计为60名受试者,分为三组(g1、g2、g3),每组20名受试者。每个受试者暴露于3种条件下(cond1、cond2、cond3)。我设计数据的目的是使各组之间没有差异,但条件之间存在差异,cond1平均得分为100分,cond2平均得分为75分,cond3平均得分为125分 df <- da
df <- data.frame(id = factor(rep(1:60, 3)),
group = factor(rep(c("g1", "g2", "g3"), each = 20, length.out = 180)),
condition = factor(rep(c("cond1", "cond2", "cond3"), each = 60)),
score = c(ceiling(rnorm(60, 100, 15)), ceiling(rnorm(60, 75, 15)), ceiling(rnorm(60, 125, 15))))
接下来是在rstan
##### Step 3: generate the chains
mix <- stan(file = "mix.stan",
data = mixList,
iter = 2e3,
warmup = 1e3,
cores = 1,
chains = 1)
有效样本的数量少和高Rhat告诉我,我在这里做了一些非常错误的事情,但是什么呢
是否未在bGxC上指定优先级
如何在矩阵上指定优先级?在Stan()中,矩阵效率低下。最好使用向量的向量:
vector[nCond] bGxC[nGroup];
并设定优先权:
for(i in 1:nGroup){
bGxC[i] ~ normal(0, sigma_gc);
}
以及:
谢谢@Stéphane Laurent,非常有帮助。我试着用一种笨拙的方式。链条现在看起来好多了。不感兴趣:先前on
bGxC
的for循环仅设置为组数(三个循环),而不是组数乘以条件数(3x3=9个循环)。为什么呢?带有组和条件的双for循环是否也有效,或者效果更好,或者没有差异?条件平均值也可以在不编写循环的情况下完成:mu=a0+bGroup[gIndex]+bCond[cIndex]+bSubj[sIndex]+bGxC[gIndex,cIndex]代码>在第二个索引上,双循环和求和独立的正常先前对数密度之间几乎没有差异。如果大于3和3,您可能会注意到双循环的减速。
##### Step 3: generate the chains
mix <- stan(file = "mix.stan",
data = mixList,
iter = 2e3,
warmup = 1e3,
cores = 1,
chains = 1)
###### Step 4: Diagnostics
print(mix, pars = c("a0", "bGroup", "bCond", "bGxC", "sigma"), probs = c(.025,.975))
# mean se_mean sd 2.5% 97.5% n_eff Rhat
# a0 -1917.21 776.69 2222.64 -5305.69 1918.58 8 1.02
# bGroup[1] 2368.36 2083.48 3819.06 -2784.04 9680.78 3 1.54
# bGroup[2] 7994.87 446.06 1506.31 4511.22 10611.46 11 1.00
# bGroup[3] 7020.78 2464.68 4376.83 81.18 14699.90 3 1.91
# bCond[1] -3887.06 906.99 1883.45 -7681.24 -247.48 4 1.60
# bCond[2] 4588.50 676.28 1941.92 -594.56 7266.09 8 1.10
# bCond[3] 73.91 1970.28 3584.74 -5386.96 5585.99 3 2.13
# bGxC[1,1] 3544.02 799.91 1819.18 -1067.27 6327.68 5 1.26
# bGxC[1,2] -4960.08 1942.57 3137.33 -10078.84 317.07 3 2.66
# bGxC[1,3] -396.35 418.34 1276.44 -2865.39 2543.45 9 1.42
# bGxC[2,1] -2085.90 1231.36 2439.58 -5769.81 3689.38 4 1.46
# bGxC[2,2] -10594.89 1206.58 2560.42 -14767.50 -5074.33 5 1.02
# bGxC[2,3] -6024.75 2417.43 4407.09 -12002.87 4651.14 3 1.71
# bGxC[3,1] -1111.81 1273.66 2853.08 -4843.38 5572.87 5 1.48
# bGxC[3,2] -9616.85 2314.56 4020.02 -15775.40 -4262.64 3 2.98
# bGxC[3,3] -5054.27 828.77 2245.68 -8666.01 -321.74 7 1.00
# sigma 13.81 0.14 0.74 12.36 15.17 27 1.00
vector[nCond] bGxC[nGroup];
for(i in 1:nGroup){
bGxC[i] ~ normal(0, sigma_gc);
}
for (i in 1:N){
mu[i] = a0 + bGroup[gIndex[i]] + bCond[cIndex[i]] + bSubj[sIndex[i]] + bGxC[gIndex[i]][cIndex[i]];
}