是否可以在GGR中重新创建bayesplot的“mcmc_区域”绘图功能

Stan支持一个名为bayesplot的软件包，该软件包可以生成良好的密度面积图，密度曲线下的面积根据通过MCMC绘制的后参数样本的可信区间进行划分，这将生成如下图：

我正在寻找一个类似的绘图风格，给定使用ggplot的1D采样值列表，我可以将任何通用值列表传递给它，而不必是标准拟合等。有人知道如何做到这一点吗？通过geom_density，密度部分是清晰的，但我正在努力解决填充分区问题。

使用软件包：

图书馆管理员 图书馆屋脊 tibbledata_1，data_2，data_3%>% pivot_longereverything%>% ggplotaesx=值，y=名称，组=名称+ 几何密度 数据：

第123集 n使用包装：

图书馆管理员 图书馆屋脊 tibbledata_1，data_2，data_3%>% pivot_longereverything%>% ggplotaesx=值，y=名称，组=名称+ 几何密度 数据：

第123集

---

n这里有一个函数，它生成类似于bayesplot:：mcmc_区域的绘图。默认情况下，它绘制等尾可信区间，或绘制具有区间概率宽度可选设置的最高密度：

library(tidyverse)
library(ggridges)
library(bayestestR)
theme_set(theme_classic(base_size=15))

# Create ridgeplots with credible intervals
# ARGUMENTS
# data A data frame
# FUN A function that calculates credible intervals
# ci The width of the credible interval
# ... For passing optional arguments to geom_ridgeline. 
#      For example, change the scale parameter to control overlap of ridge lines. 
#      geom_ridgeline's default is scale=1.
plot_density_ridge = function(data, FUN=c("eti", "hdi"), ci=0.89, ...) {
  
  # Determine whether to use eti or hdi function
  FUN = match.arg(FUN)
  FUN = match.fun(FUN)
  
  # Get kernel density estimate as a data frame
  dens = map_df(data, ~ {
    d = density(.x, na.rm=TRUE)
    tibble(x=d$x, y=d$y)
  }, .id="name")
  
  # Set relative width of median line
  e = diff(range(dens$x)) * 0.006
  
  # Get credible interval width and median
  cred.int = data %>% 
    pivot_longer(cols=everything()) %>% 
    group_by(name) %>% 
    summarise(CI=list(FUN(value, ci=ci)),
              m=median(value, na.rm=TRUE)) %>% 
    unnest_wider(CI)
  
  dens %>% 
    left_join(cred.int) %>% 
    ggplot(aes(y=name, x=x, height=y)) +
      geom_vline(xintercept=0, colour="grey70") +
      geom_ridgeline(data= . %>% group_by(name) %>%
                       filter(between(x, CI_low, CI_high)),
                     fill=hcl(230,25,85), ...) +
      geom_ridgeline(data=. %>% group_by(name) %>% 
                       filter(between(x, m - e, m + e)),
                     fill=hcl(240,30,60), ...) +
      geom_ridgeline(fill=NA, ...) + 
      geom_ridgeline(fill=NA, aes(height=0), ...) +
      labs(y=NULL, x=NULL)
  
}

现在让我们试试这个函数

# Fake data
set.seed(2)
d = data.frame(a = rnorm(1000, 0.6, 1),
               b = rnorm(1000, 1.3, 0.5),
               c = rnorm(1000, -1.2, 0.7))

plot_density_ridge(d)
plot_density_ridge(d, ci=0.5, scale=1.5)
plot_density_ridge(iris %>% select(-Species)) 
plot_density_ridge(iris %>% select(-Species), FUN="hdi")

---

下面是一个生成类似于bayesplot:：mcmc_区域的绘图的函数。默认情况下，它绘制等尾可信区间，或绘制具有区间概率宽度可选设置的最高密度：

library(tidyverse)
library(ggridges)
library(bayestestR)
theme_set(theme_classic(base_size=15))

# Create ridgeplots with credible intervals
# ARGUMENTS
# data A data frame
# FUN A function that calculates credible intervals
# ci The width of the credible interval
# ... For passing optional arguments to geom_ridgeline. 
#      For example, change the scale parameter to control overlap of ridge lines. 
#      geom_ridgeline's default is scale=1.
plot_density_ridge = function(data, FUN=c("eti", "hdi"), ci=0.89, ...) {
  
  # Determine whether to use eti or hdi function
  FUN = match.arg(FUN)
  FUN = match.fun(FUN)
  
  # Get kernel density estimate as a data frame
  dens = map_df(data, ~ {
    d = density(.x, na.rm=TRUE)
    tibble(x=d$x, y=d$y)
  }, .id="name")
  
  # Set relative width of median line
  e = diff(range(dens$x)) * 0.006
  
  # Get credible interval width and median
  cred.int = data %>% 
    pivot_longer(cols=everything()) %>% 
    group_by(name) %>% 
    summarise(CI=list(FUN(value, ci=ci)),
              m=median(value, na.rm=TRUE)) %>% 
    unnest_wider(CI)
  
  dens %>% 
    left_join(cred.int) %>% 
    ggplot(aes(y=name, x=x, height=y)) +
      geom_vline(xintercept=0, colour="grey70") +
      geom_ridgeline(data= . %>% group_by(name) %>%
                       filter(between(x, CI_low, CI_high)),
                     fill=hcl(230,25,85), ...) +
      geom_ridgeline(data=. %>% group_by(name) %>% 
                       filter(between(x, m - e, m + e)),
                     fill=hcl(240,30,60), ...) +
      geom_ridgeline(fill=NA, ...) + 
      geom_ridgeline(fill=NA, aes(height=0), ...) +
      labs(y=NULL, x=NULL)
  
}

现在让我们试试这个函数

# Fake data
set.seed(2)
d = data.frame(a = rnorm(1000, 0.6, 1),
               b = rnorm(1000, 1.3, 0.5),
               c = rnorm(1000, -1.2, 0.7))

plot_density_ridge(d)
plot_density_ridge(d, ci=0.5, scale=1.5)
plot_density_ridge(iris %>% select(-Species)) 
plot_density_ridge(iris %>% select(-Species), FUN="hdi")

---

如果您可以提供示例数据和您的问题，这会很有帮助。这就为所有答案提供了一个通用的数据集，便于比较解决方案。如果您能提供示例数据和问题，这会很有帮助。这为所有答案提供了一个通用的数据集，便于比较解决方案。这很好，谢谢，需要注意的一点是，mcmcèU区域使用的是等尾间隔而不是最高密度，对于为什么输出略有不同，一时感到困惑，可能值得修改解决方案，以使用Bayeststr包中提供的eti，或者至少要注意这种情况。我还有一个问题是如何使其不重叠，对你来说似乎很好，但当我使用你的函数创建图时，脊线往往会相互重叠，看起来更大？请参阅更新的答案。该函数现在提供了ETI或HDI的选择，并默认使用ETI。我还演示了如何使用比例参数来控制山脊线重叠。这很好，谢谢，需要注意的一点是，mcmcèU区域使用的是等尾间隔，而不是最高密度，对于为什么输出略有不同，我一时感到困惑，可能值得修改解决方案，以使用Bayeststr包中提供的eti，或者至少要注意这种情况。我还有一个问题是如何使其不重叠，对你来说似乎很好，但当我使用你的函数创建图时，脊线往往会相互重叠，看起来更大？请参阅更新的答案。该函数现在提供了ETI或HDI的选择，并默认使用ETI。我还演示了如何使用scale参数来控制山脊线重叠。