0

我现在正在使用包含两个组件的混合模型：正常和对数正态来拟合向量。我尝试使用 JAGS，代码如下：

model {
   for(i in 1:N) {
     y[i] <- latent[i,index[i]+1]
     index[i] ~dbern(pi)
     latent[i,1]~ dlnorm(mu1,tau1)
     latent[i,2]~ dnorm(mu2,tau2)}
     pi ~ dbeta(0.5,0.5)
     mu1 ~ dnorm(0.4,0.000001)
     tau1~ dgamma(0.001,0.001)
     mu2 ~ dnorm(4,0.000001)
     tau2~ dgamma(0.001,0.001)
}

但是，它不适用于错误消息“y[1] 是一个逻辑节点，无法观察到”。我也试过

y[i] <- pi*z1+(1-pi)*z2

z1 ~ dnorm(mu1,tau1)

z2 ~ dlnorm(mu2,tau2)

...

但它给出了同样的错误信息。看来我必须为 y[i] 分配一个分布。任何人都可以帮助克服这个问题吗？或解决这种混合模型的其他方法也将不胜感激！

4

1 回答 1

1

如果你只是想混合这两种模型，你可以这样做：

model {
   for(i in 1:N) {
     index[i] ~dbern(pi)
     latent[i]~ (dlnorm(mu1,tau1)*(1-index[i]))+(dnorm(mu2,tau2)*index[i]) 
}
     pi ~ dbeta(0.5,0.5)
     mu1 ~ dnorm(0.4,0.000001)
     tau1~ dgamma(0.001,0.001)
     mu2 ~ dnorm(4,0.000001)
     tau2~ dgamma(0.001,0.001)
}

这样，在模型的每一步中，它要么选择使用对数正态模型，要么选择正态模型。如果您跟踪index它，它将告诉您在 MCMC 链中的每个步骤中选择了哪种分布（索引 = 1 = 正态，索引 = 0 = 对数正态）。此外，您可以将 index 的总和除以 MCMC 链中的步数，以获得选择 1 的次数比例（正常）。

于 2016-09-22T14:16:52.317 回答