问题标签 [hierarchical-bayesian]

我通过包“R2jags”为占用模型运行 JAGS。

我的模型运行良好，但大部分时间花在控制台读取“初始化模型”的阶段，即 1.05 小时的总运行时间。40分钟。以下是此阶段发生的情况（根据 JAGS 文档）：

• 选择初始值（我通过 R 中的列表将它们传递给 JAGS）
• RNG = 选择随机数生成器。（我使用默认设置）
• 采样器被选中。（我对此没有直接影响，但可以加载某些“模块”，需要尝试这是否加快了进程，但对此表示怀疑）

我的“初始化”需要这么长时间？我对这种行为感到很困惑......

我正在尝试使用包 MHMM BAYES 运行 HMM。我已经按照教程中的说明设置了我的代码（https://cran.r-project.org/web/packages/mHMMbayes/vignettes/tutorial-mhmm.html）见下文

但是，当我尝试运行模型时，出现以下错误：

我尝试检查类似的问题，但它们似乎没有帮助。

背景

社区中有很多关于如何标准化自变量（减去平均值然后除以标准差）有利于提高 MCMC 采样效率的讨论，而不是数学要求（John K. Kruschke，https： //stats.stackexchange.com/q/273209 . Andrew Gelman 等人 (2008, p. 4-5) 和 Osvaldo Martin (2018, p. 96) 提到的其他主要好处是自变量允许我们使用相同的弱信息先验/超先验，随后意味着所有系数都可以用 z 分数来解释。

因此，我们有两个选择：i）标准化自变量，在这种情况下先验的规模可以保持不变，或者 ii）不标准化自变量，在这种情况下，需要手动设置先验的规模. 这是我的问题所指的第二个选项。

业务问题

我正在为购物类别（即男士沐浴露）构建一个层次模型。因变量是数量，其中每个观察值都是每周的 SKU（库存单位）水平。层次结构使得产品线中的每个 SKU 与该产品线中的所有其他 SKU 共享相同的系数。产品线是同一品牌内的一组 SKU，它们是几乎相同的产品，只有不同的气味/颜色等。我们还将因变量除以 SKU 级别的平均值，以便模型可以估计当您在同一产品线中有一些小批量 SKU 和一些大批量 SKU 时，这些系数是有意义的。

在下面的简单示例中，有 3 个变量和截距。变量的比例如下： rrp - 推荐零售价。大多数 SKU 是 $20-$60 discount_amount - 此变量经过 atan 转换以形成“S”形；比例为 0-1 mu_comp_launch_steal - 此变量的值是竞争对手产品发布蚕食的数量（数量）；比例从 0 到 ~5000 不等，具体取决于产品

Question: how do I scale the hyperpriors when choosing not to standardize the independent variables?

使用 pm.Model() 作为分层模型：

参考

[1] John K. Kruschke ( https://stats.stackexchange.com/users/16592/john-k-kruschke)，MCMC贝叶斯方法 - 居中和标准化，URL（版本：2017-04-11）：https： //stats.stackexchange.com/q/273209

[2] Andrew Gelman、Aleks Jakulin、Maria Grazia Pittau、Yu-Sung Su。“逻辑和其他回归模型的信息量较弱的默认先验分布。” 应用统计年鉴，2(4) 1360-1383 2008 年 12 月。第 1363 页。

[3] 奥斯瓦尔多·马丁。使用 Python 进行贝叶斯分析：使用 PyMC3 和 ArviZ 进行统计建模和概率编程的介绍。第 2 版。2018. 第 96 页奥斯瓦尔多·马丁。“使用 Python 进行贝叶斯分析”。第 96 页。

我有一个问题，我想找到属于每个班级的概率，我有 3 个班级。我知道我们可以考虑贝叶斯推理并解决它，但我想也许我可以使用多类 SVM 代替？您一般建议如何改进贝叶斯推理方法？

在玩 tidybayes 包时（我从小插图中模拟的代码复制了数据：http://mjskay.github.io/tidybayes/articles/tidybayes.html ），我继续偶然发现错误：错误：全部使用 spread_draws 函数（或 tidybayes 中的任何其他函数，就此而言）时，列表元素必须是列表本身。这是来自小插图的模拟数据：

这是拟合模型的代码：

但是，即使在尝试使用 get_variables 函数时，我也会遇到与上述相同的错误。有没有其他人遇到过类似的问题或能够解决这个问题？

这是会话信息。

如果您需要任何其他信息，或者如果我监督提供了某些信息，请告诉我！

非常感谢您的帮助，一切顺利。

默认先验Convolution3DReparametrization()是tfp.layers.default_multivariate_normal_fn均值 0 和标准差 1 的各向同性高斯。后面是tfp_layers_util.default_mean_field_normal_fn()。例如，是否可以为先验和后验指定分层模型，prior~N(0,sigma)并且sigma~Gamma(a1,b1)？我怎样才能在 Tensorflow 概率中实现这一点，可能是tfd.JointDistributionSequential？的源代码tfp_layers_util.default_mean_field_normal_fn()如下：

我在 PyMC3 中建立了一个未合并的模型：

我知道如果 的形状beta为 1，我可以使用以下方法获得最大概率估计：

但由于形状大于 1，我应该得到更多的 1 值。如何提取该值？

这是一个 MARKETING MIX MODEL 考虑 adstock 效应，其中 Delta 和 Peak 受先验影响，而 Lag 固定为 8。我想知道如何更改 STAN CODE 以便为每个频道提供不同的 LAG（我会修复滞后的先前 beta (2,6)。

有兴趣的可以在这里阅读文章。 https://towardsdatascience.com/python-stan-implementation-of-multiplicative-marketing-mix-model-with-deep-dive-into-adstock-a7320865b334

https://github.com/sibylhe/mmm_stan/blob/main/mmm_stan.py

max_lag 是所有媒体的固定整数。我需要为每种媒体设置特定的延迟。那么，如何才能为每种媒体设置不同的延迟，以及数据和参数必须如何更改为语法？例如：max_lag_channel_media1 = 10；max_lag_channel_media2 = 4; max_lag_channel_media3 = 6

我在 JAGS 中运行分层漂移扩散模型，我改编自：Pleskac et al., 2018该实验是一个二选一的反应时间任务。

我的目标是为 3 个实验条件获得单独的参数估计值（muAlpha、muBeta、muDelta 和 muNDT）。此外，估计 muAlpha 和 muBeta 依赖于对 con1 (factor1) 的主体操作，而 muDelta 和 muNDT 取决于对 con2 (factor1*factor2) 的主体操纵。

我的问题是，只有第一个实验条件的后验估计（muAlpha、muBeta、muDelta 和 muNDT）在形状上看起来是合理的，而第二个和第三个实验条件的后验估计看起来像是均匀分布。

我发现另一个类似问题的问题，据我了解，模型中的嵌套索引存在错误。不幸的是，我无法弄清楚我在模型中错误指定的内容（见下文），如果有人能帮助我，我将不胜感激！

（如果要运行模型，则需要为 JAGS 安装JAGS Wiener 模块扩展。）