r2jags

    0熱度

    1回答

    我是JAGS的新手,我通過R2jags包在R中運行模型。 模型代碼是基於從柯瑞& Schaub的2012('貝葉斯人口分析使用WinBUGS軟件「)取的代碼,第399 卡方度量差異計算 model { .... for(g in 1:G) { for (t in 1:T) { ... E[g,t] <- pow((y[g,t] - eval[g,t]),2)/ev

    0熱度

    2回答

    我正在通過Christensen等人的教科書「貝葉斯理念和數據分析」 有一個簡單的練習中,涉及剪切和粘貼下面的代碼在運行WinBUGS軟件的書: model{ y ~ dbin(theta, n) # Model the data ytilde ~ dbin(theta, m) # Prediction of future binomial theta ~ dbeta(a, b) # The

    0熱度

    1回答

    這是我第一次使用JAGS,並且在建模數據時遇到了一些錯誤。 這裏是我的數據的簡要說明: 總共有n人(例如2個)每個人都解決了m問題(例如6)。所有問題都有3個答案,每個答案都有一定的值V。 這裏是the graphic model(一些變量名是不同的:IG和y是相同的分別V和answer,; x不包括在我的模型)。 人i選擇問題j的每個答案的概率遵循「softmax決策規則」:exp(V[j,]/

    2熱度

    1回答

    每次使用jags()函數運行我的JAGS模型時,我都會得到非常不同的擬合參數值。但是,我希望其他人重現我的結果。 我試圖添加set.seed(123),但它沒有幫助。 This link描述瞭如何使用run.jags()函數實現我的目標。我想知道如何使用jags()來做類似的事情。謝謝! 下面是我在R型: ##------------- read data -------------## m <

    0熱度

    1回答

    我感到很困惑,在V形凹口下面的語法,例如, n.iter=100,000 thin=100 n.adapt=100 update(model,1000,progress.bar = "none") 目前我認爲 n.adapt=100意味着您將第一個100平的老化, n.iter=100,000指MCMC鏈有100,000次迭代,包括老化, 我已經檢查了這個問題的很多時間的解釋,但仍然不確

    0熱度

    1回答

    我正在處理實驗設計問題,並嘗試通過R和r2jags來匹配JAGS模型。 要測量殘留效應,我必須訪問其中一個變量列表中的i-1元素。當i=1時,此變量必須返回值列表中的最後一項。我試圖使用ifelse(),但沒有奏效。 我的嘗試: for (i in 1:Ntotal){ j <- ifelse(i==1,Ntotal,j) y[i] ~ dnorm(y.hat[i], tau)

    0熱度

    1回答

    我已經用rjags實現了LDA模型。我順利地拿到了最後的樣本: jags <- jags.model('../lda_jags.bug', data = data, n.chains = 1, n.adapt = 100) update(jags, 2000) samples <- jags.samples(jags, c('th

    1熱度

    1回答

    我通過R包runjags運行JAGS模型。我剛從JAGS 3.4更新到JAGS 4.0.0,並且注意到一些似乎與更新有關的意外行爲。 首先,當我運行一個模型時,我現在會收到一條警告消息WARNING: Unused variable(s) in data table:,隨後是在模型中引用並作爲數據提供的數據對象列表。它似乎沒有影響結果(但它非常令人費解)。然而,我在玩這個遊戲時已經注意到了幾次,對

    1熱度

    1回答

    我剛剛從R2OpenBUGS的R2jags切換過來,並且發現了一些我不明白的東西。在使用jags()運行仿真並使用as.mcmc()轉換輸出之後,第一個採樣總是具有非常高的偏差,並且通常離會聚參數估計非常遠。與bugs()運行相同的數據不會出現此示例。這幾乎就像第一個樣本是實際的來自老化階段的第一個樣本。 可重複的代碼,包括錯誤的初始估計,以顯示jags()的第一個樣本中的錯誤參數,但不顯示bug

    1熱度

    1回答

    我正在使用多級模型嘗試描述縱向變化中的不同模式。當隨機效應完全相關時,Dingemanse et al (2010)描述了「扇出」模式。然而,我發現當隨機效應之間的關係是非線性的但在觀察到的時間間隔內單調遞增時會出現類似的模式。在這種情況下,隨機效應並不完全相關,而是由函數描述。 請參閱下面的示例以獲取此示例。這個例子仍然具有很高的截距 - 斜率相關性(> .9),但是可以得到低於.7的相關性,同