1

我将不胜感激使用修改后的 brms 生成的 stan 模型更新我的 brmsfit 对象，因为我想以 brms 可能尚不支持的方式将各种权重列传递给可能性。

我的目标是在对此处讨论的权重分布进行边缘化后获得效果的后验分布。

我需要在 brms 或 stanarm 中而不是直接在 stan 中执行此操作，因为我想使用stanfit 对象当前不支持的https://github.com/mjskay/tidybayes的功能。

这个想法可能类似于使用修改后的 brms 生成的 Stan 模型创建 brmsfit 对象中讨论的想法，但我不确定在实践中如何做到这一点，因此非常感谢任何帮助。

此外，我不明白如何在实践中实施@paul.buerkner解释的第二行和第三行：

通过 brm(...,chains = 0) 创建模型的“空” brmsfit 对象。生成并修改 Stan 代码并将 slot fit 替换为 rstan::stan_model 的输出（您可能还想更改 slot model 中的 Stan 代码）。运行更新（，重新编译 = FALSE）

#要修改和更新的brms模型

dt = read.table(header = TRUE, text = "
n r r/n group treat c2 c1 weights
62 3 0.048387097 1 0 0.1438 1.941115288 1.941115288
96 1 0.010416667 1 0 0.237 1.186583128 1.186583128
17 0 0 0 0 0.2774 1.159882668 3.159882668
41 2 0.048780488 1 0 0.2774 1.159882668 3.159882668
212 170 0.801886792 0 0 0.2093 1.133397521 1.133397521
143 21 0.146853147 1 1 0.1206 1.128993008 1.128993008
143 0 0 1 1 0.1707 1.128993008 2.128993008
143 33 0.230769231 0 1 0.0699 1.128993008 1.128993008
73 62 1.260273973 0 1 0.1351 1.121927228 1.121927228
73 17 0.232876712 0 1 0.1206 1.121927228 1.121927228")

m <-brm(r | trials(n) + weights(weights) ~ treat*c2+(1|group), 
              data=dt, family=binomial(link=logit))

#修改后的 brms 生成的 stan 模型modified_brms.stan

 functions { 
} 
data { 
  int<lower=1> N;  // total number of observations 
  int Y[N];  // response variable 
  int trials[N];  // number of trials 
  real<lower=0> weights[N, 10];  // model weights 
  int<lower=1> K;  // number of population-level effects 
  matrix[N, K] X;  // population-level design matrix 
  // data for group-level effects of ID 1
  int<lower=1> J_1[N];
  int<lower=1> N_1;
  int<lower=1> M_1;
  vector[N] Z_1_1;
  int prior_only;  // should the likelihood be ignored? 
} 
transformed data { 
  int Kc = K - 1; 
  matrix[N, K - 1] Xc;  // centered version of X 
  vector[K - 1] means_X;  // column means of X before centering 
  for (i in 2:K) { 
    means_X[i - 1] = mean(X[, i]); 
    Xc[, i - 1] = X[, i] - means_X[i - 1]; 
  } 
} 
parameters { 
  vector[Kc] b;  // population-level effects 
  real temp_Intercept;  // temporary intercept 
  vector<lower=0>[M_1] sd_1;  // group-level standard deviations
  vector[N_1] z_1[M_1];  // unscaled group-level effects
} 
transformed parameters { 
  // group-level effects 
  vector[N_1] r_1_1 = sd_1[1] * (z_1[1]);
} 
model { 
  vector[N] mu = temp_Intercept + Xc * b;
  for (n in 1:N) { 
    mu[n] += r_1_1[J_1[n]] * Z_1_1[n];
  } 
  // priors including all constants 
  target += student_t_lpdf(temp_Intercept | 3, 0, 10); 
  target += student_t_lpdf(sd_1 | 3, 0, 10)
    - 1 * student_t_lccdf(0 | 3, 0, 10); 
  target += normal_lpdf(z_1[1] | 0, 1);
  // likelihood including all constants 
  if (!prior_only) { 
    for (n in 1:N) 
    for (w in 1:10) {
      target += weights[n, w] * binomial_logit_lpmf(Y[n] | trials[n], mu[n]);
    }
  } 
} 
generated quantities { 
  // actual population-level intercept 
  real b_Intercept = temp_Intercept - dot_product(means_X, b); 
}

#我能够成功地做到这一点，但不确定如何从这里开始：

mod_modified_brms_stan <- stan_model(‘modified_brms.stan’)

这个问题也已经发布在这里。提前感谢您的帮助。

4

0 回答 0