MCMC yapmak: jags / stan kullanın veya kendim uygulayın

Bayesian İstatistik araştırmasında yeniyim. Araştırmacılardan Bayes araştırmacılarının MCAGS / Stan gibi araçlar kullanmak yerine MCMC'yi daha iyi uyguladıklarını duydum. Öğrenme amacı dışında, MCMC algoritmasının kendi başına (R gibi "oldukça hızlı" olmayan dillerde) uygulanmasının faydasını sorabilir miyim?

Genel olarak, şiddetle öneririm değil gerçek Bayes analizi uygulanmış için kendi MCMC kodlama. Bu hem iyi bir çalışma hem de zaman ve kodda hatalar getirme olasılığı çok yüksektir. Stan gibi Blackbox örnekleyicileri zaten çok sofistike örnekleyicileri kullanıyor. Güven bana, bu kalibreden bir örnekleyiciyi sadece bir analiz için kodlamayacaksınız!

Bunun yeterli olmayacağı özel durumlar vardır. Örneğin, gerçek zamanlı olarak bir analiz yapmanız gerekiyorsa (örneğin, gelen verilere dayalı bilgisayar kararı), bu programlar iyi bir fikir olmaz. Bunun nedeni, Stan'in nispeten basit modeller için önceden hazırlanmış bir örnekleyiciyi çalıştırmaktan çok daha fazla zaman alabilen C ++ kodunun derlenmesini gerektirmesidir. Bu durumda, kendi kodunuzu yazmak isteyebilirsiniz. Buna ek olarak, Stan gibi paketlerin Gauss olmayan durum alanı modelleri gibi çok kötü işlediği özel durumlar olduğuna inanıyorum (tam açıklama: Stan'in bu durumda kötü işlediğine inanıyorum , ancak bilmiyorum). Bu durumda, özel bir MCMC'nin uygulanması buna değebilir. Ancak bu bir istisna, kural değil!

Dürüst olmak gerekirse, tek bir analiz için örnekleyici yazan çoğu araştırmacı (ve bu gerçekleşti, gördüm) bunu yapıyor çünkü kendi örnekleyicilerini yazmaktan hoşlanıyorlar. En azından, bu kategoriye girdiğimi söyleyebilirim (yani kendi örnekleyicimi yazmanın bir şeyler yapmanın en iyi yolu olmadığını hayal kırıklığına uğrattım).

Ayrıca, tek bir analiz için kendi örnekleyicinizi yazmak mantıklı olmasa da, bir analiz sınıfı için kendi kodunuzu yazmak çok mantıklı olabilir. JAG'ların, Stan'in, vb. Kara kutu örnekleyicileri olduğu için, iyileştirme miktarı modele bağlı olmasına rağmen, belirli bir model için uzmanlaşarak işleri daha hızlı hale getirebilirsiniz. Ancak son derece verimli bir örnekleyici yazmak, deneyime, model karmaşıklığına vb. Bağlı olarak belki 10-1.000 saattir. Bayesian yöntemlerinde araştırma yapıyorsanız veya istatistiksel yazılım yazıyorsanız, sorun değil; bu senin işin. Ancak patronunuz "Hey, bu tekrarlanan ölçüm veri setini analiz edebilir misiniz?" ve etkili bir örnekleyici yazmak için 250 saat harcıyorsanız, patronunuz muhtemelen üzülecektir. Buna karşılık, bu modeli Stan'de, örneğin 2 saat içinde yazmış olabilirsiniz ve verimli örnekleyicinin elde ettiği 1 dakikalık çalışma süresi yerine 2 dakikalık çalışma süresine sahip olabilirsiniz.

Bu soru öncelikle görüş temelli, ancak bence burada bir cevap yazmak için yeterli. Bir kişinin örnekleyicisini bir araştırma problemi için kodlamak için birçok neden olabilir. Bunlardan bazıları

1. Öneri: Yorumlarında önerildiği gibi, örnek MH ise, kendi örnekleyicinizi kodlamak, en iyi karıştırma örnekleyicisini almak için teklif dağılımlarıyla oynamanıza izin verir.

2. Esneklik: Dahili programlarda size istediğiniz esnekliği vermeyebilir. Belirli bir rastgele değerden başlamak veya belirli bir tohum yapısı kullanmak isteyebilirsiniz.

3. Anlama: Kendi örnekleyicinizi kodlamak, örnekleyicinin davranışını anlamanıza yardımcı olur ve Markov zincir sürecine ilişkin bilgiler verir. Bu sorun üzerinde çalışan bir araştırmacı için yararlıdır.

4. Onus: Tüm Bayesian çıkarımımı yaptığım veriler kodlamadığım bir programdan geliyorsa, çıkarımdaki onus artık bende değil. Bir araştırmacı olarak, sunduğum yöntemlerin / sonuçların tüm sorumluluğunu almak istiyorum. Yerleşik yöntemleri kullanmak bunu yapmanıza izin vermez.

Muhtemelen daha fazla neden var, ama bunlar kendi örnekleyicilerimi kodlamamı sağlayan dört.

Cliff AB'nin cevabına +1 verdim. Küçük bir tidbit eklemek için, daha düşük bir seviyede çalışmak istiyorsanız, ancak kod-her şey-kendiniz düzeyine inmek istemiyorsanız , LaplacesDemon paketi için etrafta dolaşmalısınız . Orijinal yazar harikaydı, ancak ızgaradan düşmüş gibi görünüyor ve paket başka biri tarafından devralındı. (Sanırım Github'da.)

MCMC'de kullanılan etkileyici sayıda algoritma uygular ve paketi kullanmasanız bile dahil edilen vinyetlerin okunmaya değer. Hakkında okuduğunuz hemen hemen her türlü örnekleyici var. BUGS / JAGS veya Stan'den farklı bir şekilde kod yazarsınız ve hepsi R'dir, ancak çoğu zaman rekabetçi olduğu kadar etkilidir.