问题标签 [rjags]

在一个分层模型中，我们有两个 hyer 参数：dnorm( A_mu, 0.25^-2) 和 dnorm ( B_mu, 0.25^-2)。在这种情况下，0.25 是 sd，我使用固定数字。A_mu并B_mu表示组水平的平均值。通过 拟合数据后rjags，我们得到每个参数的分布。A_mu所以我只是直接比较和的最高后密度区间（HDI） B_mu？我是否需要使用 sd(0.25) 进行计算？

在另一种情况下，如果两个超参数的 sd 不固定，例如：dnorm( A_mu, A_sd) 和 dnorm ( B_mu, B_sd)。我如何比较两个超参数并做出决定，例如这个组与另一个组显着不同？

Walter Zucchini 在他的书Hidden Markov Models for Time Series An Introduction Using R中，在第 8 章第 129 页中，使用 R2OpenBUGS 调整了 Poisson HMM，然后我展示了代码。我有兴趣调整这个相同的模型，但使用 rstan，但由于我是使用这个包的新手，所以我不清楚任何建议的语法。

数据

RJAGS

输出

斯坦

但是，运行 stan 模型时会发生错误。

所以我在下面给出了一个 rjags 模型。我的问题是，当我想运行时jags.model()，它有时会编译，有时却不会。jags.model()因此，当我立即使用相同的参数重新运行相同的函数并且没有任何变化时，我可以从字面上运行该函数并且没有发生错误jags.model()我突然收到错误消息：

我真的不知道这是怎么发生的，我的工作空间有问题吗？以下是我的输入和我的模型。

我的输入数据如下所示：

在这里您可以复制并粘贴它：

底部的代码将复制问题，只需将其复制并粘贴到 R 中即可。

我想要的是平均值和精度在 30% 的时间为 (-100, 100)，在 70% 的时间为 (200, 1000)。把它想象成在 a、b 和 p 中排列。

所以“选择”应该是 1 30% 的时间和 2 70% 的时间。

实际发生的是，在每次迭代中，pick 为 2（如果 p 的第一个元素是较大的元素，则为 1）。您可以在摘要中看到这一点，其中“pick”、“testa”和“testb”的分位数始终保持不变。最奇怪的是，如果你去掉似然循环，那么 pick then 会完全按照预期工作。

我希望这能解释问题，如果不让我知道的话。这是我第一次发帖，所以我肯定把事情搞砸了。

我无法让 Jags 中的“排名”功能正常工作。下面是改编自 Winbugs 的代码、模型和数据。不起作用的一点是：

，这会引发以下错误：

我知道 Jags 中的功能等级不同。所以，当我尝试使用 somwhing 重新编码它时：

我得到错误：

任何建议表示赞赏。非常感谢，丽索

模型

为 JAGS 定义一些 MCMC 参数

数据

运行模型

我正在努力从 JAGS 模型中获取一些后验图。获得对数后验（直至成比例）的轨迹图的最佳方法是什么？

我正在尝试理解以下 rjags 代码。

它具有泊松似然和正态先验，因此吉布斯采样没有封闭形式。那么这里使用的是什么MCMC方法呢？ARS？切片采样？还是大都会黑斯廷？

这是我第一次使用 rjags，我正在尝试拟合一些计数数据 Y。我使用的分层混合模型如下：

这里，Y是我观察到的计数数据，N是已知的。

我写了一个我一直在玩的简单的 rjags 模型。但是，在对简单的模拟数据进行测试时，我得到了非常糟糕的结果。这是我生成模拟数据并运行模型的代码：

运行此之后，a、b、c、d 的后验估计非常差，并且组件分配 m 也与真实分配不匹配。我还注意到绘制链看起来并不好，即使增加迭代次数也是如此。

有什么建议吗？我不确定我是否以最佳方式拟合混合物。如果还有其他更易于使用的发行版，我也绝对愿意更改我在 a、b、c、d 上的先验知识。

下面的 R 代码来自 Coursera 课程，但它似乎不起作用。我收到一个错误，表明它y[1]与它的父母不兼容，但鉴于它的值为 1 并且它的父母形成了一个 n 等于 4 的二项分布，我看不出它是如何不兼容的。

以下命令显示y[1] = 1and n[1] = 4：

完整的错误是：

完整的代码是：

所以我目前有一个模型适合一些“答案是肯定的试验”

你并不需要知道我相信的细节，但它是一个分层模型，其中数据是一个 3d 数组（2 个条件 * 48 个参与者 * 7 个试验类型）。最后一行是

这是在这种类型/条件/参与者试验[i,j,k] 中的许多试验上以概率 pdiff[i,j,k] 的二项式得出的“是”响应的预测数量。

这个功能很好，让我很适合和合理的参数估计。

但是，现在我想添加“是”响应与 pdiff 根本无关的可能性，而是对于某些比例的试验是随机决定（例如，参与者没有注意，点击错误，等等）。

所以我为每个参与者添加了一个节点 lapse[i]，它应该代表在任何一次试验中“猜测”的概率。然后将底线替换为

也就是说，我们现在将试验总数 [i,j,k] 分为“常规”试验（其响应取决于上述模型）和失效试验（浓度已“失效”），然后绘制分别为每个我们得到多少“是”的回答是由于猜测，以及有多少是由于基于模型的答案。然后在最后对这些求和，我们仍然将 resp_diff[i,j,k] 拟合到一个 R 数组 resp_diff ，其数据被输入到 JAGS 模型中。

这不起作用，我得到错误

我一生都无法弄清楚为什么会发生这种情况，但我认为这与我对 dsum 函数的误解有关。我也尝试了常规的“总和”，但没有运气。

我在这里做错了什么？任何帮助将不胜感激！

谢谢，

H