我正在寻找一个模型来估计与Stan有关的二项数据的多个概率。我对每种概率都使用了Beta测试版,但我一直在阅读关于使用hyperpriors来收集信息并鼓励估计收缩的文章。与Stan有关的分层模型的超级启发
我已经看到了这个例子来定义pymc的hyperprior,但我不知道怎么做类似的事情斯坦
@pymc.stochastic(dtype=np.float64)
def beta_priors(value=[1.0, 1.0]):
a, b = value
if a <= 0 or b <= 0:
return -np.inf
else:
return np.log(np.power((a + b), -2.5))
a = beta_priors[0]
b = beta_priors[1]
A和B,然后被用作前公测参数。
任何人都可以给我任何关于如何做与斯坦类似的指针吗?
该手册包含如何建立分层和multilvel模型(你在说什么关于这里)的例子很多。我们的先验的基本建议是在回归手工章,也该wiki页面:https://github.com/stan-dev/stan/wiki/Prior-Choice-Recommendations –
也有分层模型的案例研究,特别是一个直接有关的对比hyperpriors为二项式与回归只有一个拦截(的结果是,你可能不希望使用的β-二项式或狄氏-multinomials)的二元变量:HTTP:// MC-斯坦。组织/用户/文档/案例研究/池二进制试验。html –
@BobCarpenter看起来真的很有帮助 - 谢谢。我正在为AB测试做这件事,对于更复杂的测试,我认为在回归框架中工作会更有意义。能够像在案例研究中一样排列变体,对于将结果传达给同事也很有用。 –