0

我目前正在尝试使用 rstanarm 拟合贝叶斯多级模型。我预计——并且文献中有证据——我的主要预测因子的系数介于 0.15 和 0.65 之间。因此，我想设置一个信息先验，但仅针对此变量，并为其他变量保留信息量较弱的默认值。到目前为止，我有：

   stan_glmer(isei_r ~ 1 + maxisei_cntr + agea + as.factor(gender) + as.factor(emp_status) + (1 + maxisei_cntr | country), 
            data = ess,
            seed = 349, 
            prior = normal(0.40, 0.25, autoscale=F))

但是通过这种方式，它在我的所有协变量之前应用了信息。是否可以只为一个预测变量指定一个信息先验？

谢谢

4

2 回答 2

1

这是我用来自动化此过程的方法：

data = iris
formula = Sepal.Length ~ Species + Sepal.Width + Petal.Length

# get the coefficient terms, including expanded dummy columns for factors
formula_terms = colnames(
    model.matrix(
        formula,
        data=data
    )
)
# remove intercept (it can specified separately)
formula_terms = setdiff(formula_terms, '(Intercept)')

# create named vectors mapping some of the coefficients to priors
priors_location = c(
    'Speciesversicolor'=-1,
    'Speciesvirginica'=-1.5,
    'Petal.Length'=1
)
priors_scale = c(
    'Speciesversicolor'=5,
    'Speciesvirginica'=5,
    'Petal.Length'=8
)

现在，定义一个辅助函数，它可以放在别处：

priors_or_default_for = function(formula_terms, priors, default) {
    as.array(
        sapply(
            formula_terms,
            function(term) ifelse(term %in% names(priors), priors[term], default)
        )
    )
}

并用它来创建先验向量：

location = priors_or_default_for(formula_terms, priors_location, default=0)
scale = priors_or_default_for(formula_terms, priors_scale, default=10)

fit = rstanarm::stan_glm(
    formula,
    data=data,
    prior=normal(
        location=location,
        scale=scale
    )
)

# (recommended) check that the priors were properly assigned
parameters::parameters(fit)
范围 中位数 89% 置信度 PD 绳子中的百分比 拉特 ESS 事先的
（截距） 2.40 [ 1.97, 2.79] 100% 0% 1.000 2556.00 正常 (5.84 +- 2.07)
杂色种 -0.95 [-1.31, -0.61] 100% 0% 1.002 1274.00 正常 (-1.00 +- 5.00)
种属处女 -1.39 [-1.86, -0.93] 100% 0% 1.003 1285.00 正常 (-1.50 +- 5.00)
隔板宽度 0.43 [ 0.29, 0.55] 100% 0% 1.001 1803.00 正常 (0.00 +- 10.00)
花瓣长度 0.77 [ 0.67, 0.88] 100% 0% 1.002 1359.00 正常 (1.00 +- 8.00)
于 2021-08-24T09:22:10.067 回答
0

是的，但是您需要传递一个包含先前位置和/或尺度的向量，其大小等于系数的数量（不包括截距）。因此，在您的示例中，它可能类似于：

stan_glmer(..., prior = normal(location = c(0, 0.4, 0, 0),
                               scale = c(10, 0.25, 10, 10))
于 2021-01-13T03:50:09.123 回答