JAGS随机效应模型预测

Question

JAGS随机效应模型预测

3

我正在尝试建立一个贝叶斯回归模型，将指数（D47）作为响应变量，温度（Temp）作为预测变量，并考虑离散变量（Material）的随机效应。我已经找到了关于非层次回归的非常好的信息，有些文章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值时遇到了一个显著的问题，主要是由于随机截距。

在JAGS回归的预测过程中，有没有处理随机截距的方法？

谢谢您的回答，

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
}
}"

- CRP

1

具体来说，“remarkable problem”是什么？ - Robert Dodier

问题是：我能使用这个JAGS模型预测D47值吗？我没有找到关于基于随机截距模型的JAGS预测的任何信息。谢谢。 - CRP

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- mfidino · Accepted Answer

当然，您可以使用随机截距进行预测，您需要做的是将其指定为某种派生数量。请尝试向模型添加类似以下内容的内容。

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

然后将D47_pred作为参数进行跟踪。

编辑：

此外，您需要更改指定随机截距先验的方式。这将需要几个步骤（更新代码来自评论）。

您需要向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。在本例中，我将其标记为M（例如，Mat中有4个组，M = 4）

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

该规范仅为您的模型生成正确数量的随机截距