JAGS随机效应模型预测

我试图使用索引作为响应（D47），温度作为预测因子（Temp）并考虑离散变量（材料）的随机效应来建模贝叶斯回归。我发现了关于非等级回归的非常好的信息，有些帖子甚至包括这些模型的预测策略。尽管如此，在我的模型中预测D47值时，我发现了一个显着的问题，主要是因为随机截取。JAGS随机效应模型预测

在预测JAGS回归期间有没有办法处理随机截距？

谢谢您的回答，

克里斯蒂安

model1<-"model { 
# Priors 
mu_int~dnorm(0, 0.0001) # Mean hyperparameter for random intercepts 
sigma_int~dunif(0, 100) # SD hyperparameter for random intercepts 
tau_int <- 1/(sigma_int*sigma_int) 
for (i in 1:n) { 
alpha[i]~dnorm(mu_int, tau_int) # Random intercepts 
} 
beta~dnorm(0, 0.01) # Common slope 
sigma_res~dunif(0, 100) # Residual standard deviation 
tau_res <- 1/(sigma_res*sigma_res) 
# Likelihood 
for (i in 1:n) { 
mu[i] <- alpha[Mat[i]]+beta*Temp[i] # Expectation 
D47[i]~dnorm(mu[i], tau_res) # The actual (random) responses 
} 
}"

来源

2016-02-03 CristianR

什么，具体而言，是“显着问题“？ –

问题是：我可以使用这个JAGS模型预测D47值吗？我还没有找到任何关于基于JAGS随机拦截模型的预测的信息。谢谢 – CristianR

当然，你可以用随机拦截的预测，所有你需要做的是将其指定为某种形式的导出量的。

尝试在模型中添加这样的内容。

for(i in 1:(n)){ 
D47_pred[i] <- dnorm(mu[i], tau_res) 
}

然后跟踪D47_pred作为参数。

编辑：

此外，你需要改变你如何指定为前随机拦截。这将需要几步（更新代码来自评论）。

您需要在您的数据列表中添加一个新常数，该常数表示向量Mat中唯一组的数量。我已经标记它M在这种情况下（例如，4组垫，M = 4）

for (j in 1:(M)){ 
alpha[j] ~ dnorm(mu_int, tau_int) # Random intercepts 
}

该规范只是使随机拦截的正确数量模型

来源

2016-02-03 21:34:58

我真的很感谢你的帮助和解释！这解决了我的问题。谢谢！ – CristianR

亲爱的@M_Fidino，我已经在Alpha上列出了你的建议，但是我有一个错误： 'jags.model错误（file = textConnection（model1），data = dat，inits = list（init.rng1 ，：运行时错误：第7行编译错误。尝试重新定义节点alpha [18]'，有没有其他替代您的建议？谢谢！ – CristianR

哦！我认为你需要做的是这个而不是.. 。你需要在你的数据列表中添加一个新的常量，它表示向量Mat中唯一的组的数量，在这种情况下我标记为M（例如Mat中的4个组，M = 4）对于（j，1：（M））{ alpha [j]〜dnorm（mu_int，tau_int） }' 发生此错误的原因是您在“Mat”向量中有重复的数字，并且您正在告诉它有效地写入其自身，而不希望这样做。这个规范只是为你的模型做了正确数量的随机截取。 –

JAGS随机效应模型预测

回答

相关问题