问题标签 [credible-interval]

我通过从 R 运行 Winbugs 进行了贝叶斯分析，并得出了拟合值及其贝叶斯区间。这是相关的 Winbugs 输出，其中 mu[i] 是第 i 个拟合值。

我想要做的是找到这 5 个拟合值的平均值的贝叶斯区间。知道怎么做吗？

我正在尝试编写一个通用函数来计算 R 中二项式比例的区间估计的覆盖概率。我打算为各种置信区间方法执行此操作，例如 Wald、Clopper-Pearson、HPD 区间用于不同的先验。

理想情况下，我希望有一个函数，可以将用于计算间隔的方法作为参数。那么我的问题是：如何将一个函数作为参数包含在另一个函数中？

例如，对于 Exact Clopper-Pearson 区间，我有以下函数：

其中 Exact(x,n) 只是一个计算适当间隔的函数。我想拥有

这样我就有一个函数来计算覆盖概率，而不是为每种间隔计算方法提供一个单独的覆盖函数。有没有标准的方法来做到这一点？我一直无法找到解释。

谢谢，詹姆斯

我正在绘制行数据，并为统计计算的拟合值添加了一段可信区间和一个黑点。

我的问题是我想让这些线（和黑点）相对于行数据稍微移动（水平）。

我尝试了 jitter 及其所有可能的组合，结果很糟糕，因为我从不同的列中获取了 y start 和 end 的值……因此，随着 jitter 的出现，线条不再是水平的。

我试图向 x (pb_values) 添加一个固定值，但是它给了我一个错误，因为我的 x 是一个因素。

dat_stack1（我的数据集）：

不幸的是，我的声誉太低，无法发布图片！但代码现在可以重现了

知道如何移动这些垂直线吗？

我尝试了什么：

和

以及所有可能的括号组合。

当然，我在网上查找了类似的图表，但找不到任何-> 通常垂直线是直接从数据点计算出来的，而不是添加到不同列的行数据中！

背景：

我有一条曲线，其 Y 值由下面的小 R 函数产生（注释整齐）。如果你运行我的整个 R 代码，你会看到我的曲线（但请记住，它是一个函数，所以如果我更改参数值，我可以得到不同的曲线）：

问题：

显然，可以确定/假设许多区间将覆盖/占据该曲线下总面积的 95%。但是使用, optimize()，我怎样才能找到这些许多可能的 95% 间隔中的最短（以 x 值单位） ？那么这个最短 95% 区间的两端对应的 x 值是多少？

注意：像我这样的单峰曲线最短间隔的想法是有道理的。实际上，最短的将是趋向于高度（y 值）较大的中间的那个，因此对于预期的间隔覆盖/取 95，x 值不需要太大曲线下总面积的百分比。

这是我的 R 代码（请运行整个代码）：

Coda 和其他 R 软件包允许计算多个后链的 HPD 间隔。但是，HPD 间隔总是在每个链边际计算。

考虑到链的相关结构，R中有没有办法找到联合HPD区间？

我正在构建的因果影响模型遇到问题。

我正在尝试为一家商店的日常销售创建一个反事实（nseasons = 7）。我已经包括了附近其他 5 家商店的销售额。观察线图，在我看来，15 个月期间的趋势是相似的。

线图

当我运行我的因果影响模型时，CI 波段非常宽。

因果影响模型

关于我可以做些什么来减少 CI 的任何建议？除了向模型添加更多时间序列之外还有什么？在贝叶斯模型中拥有宽 CI（即可信与信心）有多大问题？

这是代码：

CausalImpact（销售，前期，后期，model.args = list（niter = 1000，nseasons = 7））

任何方向将不胜感激！

我正在分析纵向面板数据，其中个人在马尔可夫链中的不同状态之间转换。我正在使用一系列多项逻辑回归对状态之间的转换率进行建模。这意味着我最终得到了大量的回归斜率。

对于每个回归斜率，我获得一个后验分布（使用 WinBUGS）。从后验分布中，我们得到与所讨论的斜率相关的均值、标准差和 95% 可信区间。

我最终感兴趣的值是预期的第一次通过马尔可夫链的时间（“命中时间”）。这是所有不同预测变量的函数，因此是由多项逻辑回归产生的许多回归斜率构建的。

一种简单的方法是将每个后验分布的平均值作为每个回归斜率的点估计，并在一系列不同的预测变量值处求解预期的首次通过时间。我现在已经这样做了，但它可能具有误导性，因为它没有显示预期首次通过时间的预测值的不确定性。

我的问题是：如何计算预期第一次通过时间的可信区间？

我的第一个想法是通过模拟来近似误差，通过从每个后验分布中采样回归斜率的单个值，在给定这些值的情况下获得预期的第一次通过时间，然后绘制所有这些模拟值的标准偏差。但是，我觉得（a）这会让统计学家尖叫，（b）它没有考虑到不同的后验分布将相关的事实（它独立地从每个分布中采样）。

在 WinBUGS 中，您实际上可以获得后验分布之间的相关性。因此，如果模拟的想法是合适的，我理论上可以模拟包含这些相关性的回归斜率系数。

有没有更直接、更不近似的方法来找到不确定性？例如，我可以使用 WinBUGS 来找到给定一组预测变量值的预期首次通过时间的后验分布吗？很喜欢这个问题的答案：定义一个新节点并监控它。我会想象定义一系列新节点，其中每个节点用于一组不同的实际预测值，并监控每个节点。这是否具有良好的统计意义？

对此的任何想法将不胜感激！

假设我们有一个联合分布 p(x_1,x_2)，我们知道 x_1,x_2,p。两者都是离散的， (x_1,x_2) 是分散的，它的轮廓可以被绘制，边缘也是如此。我想显示联合分布的 95% 分位数（将包含 95% 数据的比例）的面积，我该怎么做？

正态分布的贝叶斯推理，我使用以下r代码获得后验分布。

我使用后验分布模拟了 10000 个样本。如何获得 mu 的覆盖概率？

我看到在 Pystan 中，HDI 函数可用于提供围绕后验分布的 95% 可信区间。然而，他们说它只适用于单峰分布。如果我的模型可能具有多峰分布（最多 4 个峰），有没有办法在 Pystan 中找到 HDI？谢谢！