HATA, JAGS'da ağırlıklı genel regresyon

Burada , ağırlık parametresi aracılığıyla Rbir glmgerilemeyi "önceden ağırlıklandırabiliriz" . Örneğin:

glm.D93 <- glm(counts ~ outcome + treatment, family = poisson(), weights=w)

Bu bir JAGSveya BUGSmodelde nasıl yapılabilir ?

Bunu tartışan bazı makaleler buldum, ancak hiçbiri bir örnek vermiyor. Esas olarak Poisson ve lojistik regresyon örnekleriyle ilgileniyorum.

Geç olabilir ... ama,

Lütfen 2 şeyi not edin:

• Serbestlik derecelerini değiştireceği için veri noktalarının eklenmesi önerilmez. Sabit etki için ortalama tahminler iyi tahmin edilebilir, ancak bu modellerle tüm çıkarımlardan kaçınılmalıdır. Eğer değiştirirseniz "verilerin konuşmasına izin vermek" zordur.
• Tabii ki sadece tamsayı değerli ağırlıklar (0.5 veri noktasını çoğaltamazsınız) ile çalışır, bu en ağırlıklı (lm) regresyonda yapılan şey değildir. Genel olarak, kopyalardan tahmin edilen yerel değişkenliğe (örneğin, belirli bir 'x' de 1 / s veya 1 / s ^ 2) veya yanıt yüksekliğine (örn. 1 / Y veya 1 / Y ^ 2, verilen bir 'x').

Jags, Bugs, Stan, proc MCMC veya genel olarak Bayesian'ta, sıklık lm veya glm'den (veya herhangi bir modelden) olasılık farklı değildir! Yanıtınız için yeni bir "ağırlık" sütunu oluşturun ve olasılığı şöyle yazın:

y [i] ~ norm (mu [i], tau / ağırlık [i])

Veya ağırlıklı bir poisson:

y [i] dpois (lambda [i] * ağırlık [i])

Bu Bugs / Jags kodu sadece hile için. Her şeyi doğru alacaksın. Tau posteriorunu ağırlıkla çarpmaya devam etmeyi unutmayın, örneğin tahmin ve güven / tahmin aralıkları yaparken.

İlk olarak, glmbayes gerilemesi yapmadığını belirtmek gerekir. 'Ağırlıklar' parametresi temel olarak "gözlemlerin oranı" için kısa bir eldir ve veri kümenizi uygun şekilde örneklemeyle değiştirebilir. Örneğin:

x=1:10
y=jitter(10*x)
w=sample(x,10)

augmented.x=NULL
augmented.y=NULL    
for(i in 1:length(x)){
    augmented.x=c(augmented.x, rep(x[i],w[i]))
    augmented.y=c(augmented.y, rep(y[i],w[i]))
}

# These are both basically the same thing
m.1=lm(y~x, weights=w)
m.2=lm(augmented.y~augmented.x)

Bu nedenle, JAGS veya HATA'daki noktalara ağırlık eklemek için veri kümenizi yukarıdaki gibi aynı şekilde artırabilirsiniz.

Yukarıdaki yoruma yorum eklemeyi denedim, ancak temsilcim çok düşük.

Meli

y[i] ~ dnorm(mu[i], tau / weight[i])

olmamak

y[i] ~ dnorm(mu[i], tau * weight[i])

JAGS? JAGS bu yöntem sonuçları lm () üzerinden ağırlıklı bir regresyon sonuçları karşılaştırarak bazı testler çalışıyorum ve sadece ikincisi kullanarak uygun bulabilirsiniz. İşte basit bir örnek:

aggregated <- 
  data.frame(x=1:5) %>%
  mutate( y = round(2 * x + 2 + rnorm(length(x)) ),
          freq = as.numeric(table(sample(1:5, 100, 
                 replace=TRUE, prob=c(.3, .4, .5, .4, .3)))))
x <- aggregated$x
y <- aggregated$y
weight <- aggregated$freq
N <- length(y)

# via lm()
lm(y ~ x, data = aggregated, weight = freq)

ve karşılaştır

lin_wt_mod <- function() {

  for (i in 1:N) {
    y[i] ~ dnorm(mu[i], tau*weight[i])
    mu[i] <- beta[1] + beta[2] * x[i]
  }

  for(j in 1:2){
    beta[j] ~ dnorm(0,0.0001)
  }

  tau   ~ dgamma(0.001, 0.001)
  sigma     <- 1/sqrt(tau)
}

dat <- list("N","x","y","weight")
params <- c("beta","tau","sigma")

library(R2jags)
fit_wt_lm1 <- jags.parallel(data = dat, parameters.to.save = params,
              model.file = lin_wt_mod, n.iter = 3000, n.burnin = 1000)
fit_wt_lm1$BUGSoutput$summary