问题标签 [hierarchical-bayesian]

我使用 ChoiceModelR 来分析联合设计。每个参与者必须回答 12 个选项集，每个选项集由 3 个选项和无选项组成。6 个变量描述了选择选项。

我的 ChoiceModelR 输入数据如下所示：

参与者 12628880 拥有前 12 * 3 = 36 行，接下来的 36 行属于参与者 12628881，依此类推。

我跑

我得到了所有 846 名参与者和所有 23 个变量的不同实现（不包括每个变量的参考实现）。我得到了 1000 个估计值，符合标准保持值 10。

我的问题：

我担心的是我的参与者的顺序。我希望，什么都没有改变，但我不确定。我希望（属于参与者 12628880）的前 36 行将在(so in )dataChoice_train的顶层表示。hb.post.baseline$betadrawhb.post.baseline$betadraw[1,,]

通过这种方式，我可以unique(dataChoice_train)将参与者 ID 分配给我的 betadraws 文件。

有人可以证实这一点吗？有没有更好/更直接的方法将计算的 beta 分配给参与者？

提前致谢！

我正在尝试使用 MCMChregress 运行贝叶斯分层模型，但不知道如何解决此错误表示的问题。我的代码如下。我认为问题与 R 和 r 参数以及它们与参数数量的关系有关。所以我没有包括数据集。让我知道是否有任何其他信息会有所帮助！

我是贝叶斯统计和 pymc3 的新手。在我的问题中，有工人和审稿人。工人被给予一组问题。工人给出的回答由审查者审查。所以评论是可观察的变量。基于这些观察，我需要计算响应的质量、工作人员的能力和审稿人的偏见。评论是二进制正确的（布尔值 1）和不正确的（布尔值 0） 我使用 pymc3 创建了以下模型并使用 find_map 函数来计算想要的变量..

模型

当我对特定响应进行观察时，它正在计算该响应的质量，即工人的能力。它还给出了审稿人偏见的值。但是，如果观察结果类似于 [0,1,1,1,1] 来自多个审阅者。如何分别计算每个审稿人的偏见？

如果我再次观察到 2 个响应。我该如何进行？如何分别获得这些响应的质量？我可以给一个观察组一个时间。但能力只会针对该反应的观察来计算。但是，需要计算给予该人回复的所有评论的能力。帮我！

我正在编写一个JAGS脚本（分层贝叶斯模型），其中事件的时间被建模为两个进程之间的竞赛。

Observations： time是事件的测量次数。

模型：两个具有高斯速率的进程——无论哪个进程先完成，都会触发事件。

目标：估计两个过程的速率。

问题：如何表明时间是从两个速率中较大的一个采样的，每个速率都是从不同的分布中采样的？

模拟time数据的示例mu1=3, mu2=3直方图，使用两个过程的不同标准偏差（固定为 1 和 0.1）

这本质上是Doing Bayesian Data Analysis, Second Edition (DBDA2)中的“Multiple Coins from Multiple Mints / Baseball Players”示例。我相信我的 PyMC3 代码在功能上是等效的，但一个有效，另一个无效。这是 PyMC 3.5 版。更详细地说，

假设我有以下数据。每一行都是一个观察：

一枚薄荷，几枚硬币

下面实现了 DBDA2 图 9.7，运行良好：

许多薄荷糖，许多硬币

然而，一旦这变成了一个层次模型（如 DBDA2 图 9.13 所示）：

错误是：

因为该模型有 8 个硬币的 8 个 theta，但看到 20 行数据。

但是，如果对数据进行分组，每行代表单个硬币的最终统计数据，如下所示

并且最终的似然变量变成了Binomial，如下

一切正常。现在，后一种形式更有效，通常更受欢迎，但我相信前者也应该有效。所以我认为这主要是 PyMC3 问题（或者更可能是用户错误）。

引用 DBDA 第 1 版，

“BUGS 模型使用二项式似然分布来表示完全正确，而不是使用伯努利分布来进行个别试验。使用二项式只是为了方便缩短程序。如果数据被指定为逐项试验结果如果完全正确，则该模型可以包括一个试验循环并使用伯努利似然函数"

令我困扰的是，在第一个示例中（一个铸币厂，几个硬币），看起来 PyMC3 可以很好地处理单个观察而不是聚合观察。所以我相信第一种形式应该有效，但没有。

代码

http://nbviewer.jupyter.org/github/JWarmenhoven/DBDA-python/blob/master/Notebooks/Chapter%209.ipynb

参考

PyMC3 - 观察传递给模型的方式差异 - >结果差异？

https://discourse.pymc.io/t/pymc3-differences-in-ways-observations-are-passed-to-model-difference-in-results/501

http://www.databozo.com/deep-in-the-weeds-complex-hierarchical-models-in-pymc3

https://stats.stackexchange.com/questions/157521/is-this-correct-hierarchical-bernoulli-model

我有一个面板数据集（随着时间的推移对不同个体的几次观察），我想为其构建一个简单的贝叶斯多级模型。因此，我想使用 brms 包。有谁知道如何处理 brms 包中的面板数据结构，因为我在 brms 包手册中找不到任何关于它的信息。在手册中只有横截面数据集的示例。提前谢谢了！

我正在尝试使用 PyMC3 估计 3 个补丁高斯混合模型的协方差。均值和协方差完全未知，权重为[1,1,1]。对于均值估计，可以使用tt.stack([vx,vy])构建适当的数量。但是对于协方差，我想[sigma_x, sigma_y, rho]用作随机变量。我尝试用tt.stack代码来构建对应的协方差张量

但它引发了错误：

我该怎么做才能解决这个问题？还有其他有效的方法来估计协方差矩阵吗？

如果我们有一个分层模型，将来自不同站点的数据作为模型中的不同组，我们如何预测新组（我们以前从未见过的新站点）？例如使用以下逻辑回归模型：

在我们拟合这个模型之后，我们可以使用以下方法预测来自特定站点的新数据（即来自后验预测的样本）：

但是如果我们有一个新的看不见的站点，从后验预测分布中采样的正确方法是什么？

我已经实现了一个 stan 层次模型，其中组内的级别 1 是线性模型，科目高斯混合模型内的级别 2。这意味着从级别 1 获得的斜率被级别模型 GMM 用于聚类。当我运行模型时，它存在收敛问题。

警告：pystan：超过最大（平面）参数计数（1000）：
跳过 n_eff 和 Rhat 的诊断测试。要运行所有诊断调用 pystan.check_hmc_diagnostics(fit)
WARNING:pystan:2 of 500 迭代以分歧 (0.4 %) 结束。
警告：pystan：尝试使用大于 0.8 的 adapt_delta 运行以消除分歧。
WARNING:pystan:Chain 1: E-BFMI = 0.0611
WARNING:pystan:E-BFMI 低于 0.2 表示您可能需要重新参数化模型

对改进模型有何评论？

我有这个用winBUGS编写的代码：

我在如何在 R/JAGS 中执行此操作时遇到问题。事实上，我什至不完全确定这段代码试图做什么（我认为计算后验？）。之前没用过winBUGS，对R也是新手。这也是我第一次上贝叶斯课，一介绍代码就迷茫了。

此外，我将如何计算比例差异的后验均值和标准差？或者如何找到p1大于的后验概率p2，以及是否显着？