概率编程使我们能够实现统计模型,而无需担心技术细节。它对基于MCMC采样的贝叶斯模型特别有用。
RStan是贝叶斯推理的C ++库。它基于No-U-Turn采样器(NUTS),用于根据用户指定的模型和数据估计后验分布。使用Stan执行分析涉及以下步骤:
stan
函数从后验分布中取样。在本文中,我将展示Stan使用两个分层模型的用法。我将使用第一个模型来讨论Stan的基本功能,并使用第二个示例来演示更高级的应用程序。
该数据集测量了教学计划对大学入学考试的影响,即美国使用的学术能力测验(SAT)。SAT的设计应该能够抵抗直接针对提高测试成绩的短期努力。相反,测试应反映在较长时间内获得的知识。数据集如下:
学校 | 估计效果 | 标准效果误差 |
---|---|---|
a | 28 | 15 |
b | 8 | 10 |
C | -3 | 16 |
d | 7 | 11 |
e | -1 | 9 |
f | 1 | 11 |
g | 18 | 10 |
h | 12 | 18 |
正如我们所看到的:对于八所学校中的大多数,短期确实增加了SAT成绩。对于此数据集,我们有兴趣估计与每所学校相关的真实效果大小。可以使用两种替代方法。首先,我们可以假设所有学校都是相互独立的。然而,这将导致难以解释的估计,因为由于高标准误差,学校的95%后验间隔将在很大程度上重叠。其次,人们可以汇集所有学校的数据,假设所有学校的真实效果相同。然而,这也是不合理的,因为应该有针对学校的影响(例如不同的教师和学生)。
因此,需要另一种模型。分层模型的优点是结合了所有八所学校(实验)的信息,而没有假设它们具有共同的真实效果。我们可以通过以下方式指定层次贝叶斯模型
根据该模型,教学的效果遵循正态分布,其均值是真实效果, θĴ ,其标准差是 σĴ ,从数据中已知。真正的效果,θĴ ,遵循正态分布 μ 和 τ 。
指定了我们将要使用的模型后,我们现在可以考虑如何在Stan中指定此模型。在为上面指定的模型定义Stan程序之前,让我们先看看Stan建模语言的结构。
变量
在Stan中,变量可以通过以下方式定义:
int<lower=0> n; # 下限为0
int<upper=5> n; # 上限为5
int<lower=0,upper=5> n; # n在[0,5]中
注意,如果它们是先验已知的,则应指定变量的上边界和下边界。
可以通过方括号指定多维数据:
vector[n] numbers; //长度为n的向量
real[n] numbers; // 长度为n的浮点数组
matrix[n,n] matrix; // n乘以n的矩阵
程序块
Stan中使用了以下程序块:
对于模型程序块,可以以两种等效方式指定分布。第一个,使用以下统计表示法:
y ~ normal(mu, sigma); # y服从正态分布
第二种方法使用基于对数概率密度函数(lpdf)的编程表示法:
target += normal_lpdf(y | mu, sigma); # 增加正态对数密度
学校的模型
现在我们已经了解了Stan建模langeu的基础知识,我们可以定义我们的模型,我们将它存储在一个名为的文件中schools.stan
:
data {
int<lower=0> n; //学校数
}
parameters {
vector[n] eta; // 标准化的学校层的影响
}
transformed parameters {
}
model {
}
准备数据进行建模
在我们拟合模型之前,我们需要将输入数据编码为一个列表,其参数应该与Stan模型的数据部分中的条目相对应。
我们可以使用stan
函数从后验分布中进行采样,执行以下三个步骤:
现在,我们可以从后验编译模型和样本。唯一需要的两个参数stan
是模型文件的位置和要输入模型的数据。
我们将首先对模型进行基本解释,然后研究MCMC程序。
要使用拟合模型进行推理,我们可以使用该print
函数。
## Inference for Stan model: schools.
## 4 chains, each with iter=2000; warmup=1000; thin=1;
## post-warmup draws per chain=1000, total post-warmup draws=4000.
##
## mean se_mean sd 2.5% 25% 50% 75% 97.5% n_eff Rhat
## mu 7.67 0.15 5.14 -2.69 4.42 7.83 10.93 17.87 1185 1
## tau 6.54 0.16 5.40 0.31 2.52 5.28 9.05 20.30 1157 1
## eta[1] 0.42 0.01 0.92 -1.47 -0.18 0.44 1.03 2.18 4000 1
## eta[2] 0.03 0.01 0.87 -1.74 -0.54 0.03 0.58 1.72 4000 1
## eta[3] -0.18 0.02 0.92 -1.95 -0.81 -0.20 0.45 1.65 3690 1
## eta[4] -0.03 0.01 0.92 -1.85 -0.64 -0.02 0.57 1.81 4000 1
## eta[5] -0.33 0.01 0.86 -2.05 -0.89 -0.34 0.22 1.43 3318 1
## eta[6] -0.20 0.01 0.87 -1.91 -0.80 -0.21 0.36 1.51 4000 1
## eta[7] 0.37 0.02 0.87 -1.37 -0.23 0.37 0.96 2.02 3017 1
## eta[8] 0.05 0.01 0.92 -1.77 -0.55 0.05 0.69 1.88 4000 1
## theta[1] 11.39 0.15 8.09 -2.21 6.14 10.30 15.56 30.22 2759 1
## theta[2] 7.92 0.10 6.25 -4.75 4.04 8.03 11.83 20.05 4000 1
## theta[3] 6.22 0.14 7.83 -11.41 2.03 6.64 10.80 20.97 3043 1
## theta[4] 7.58 0.10 6.54 -5.93 3.54 7.60 11.66 20.90 4000 1
## theta[5] 5.14 0.10 6.30 -8.68 1.40 5.63 9.50 16.12 4000 1
## theta[6] 6.08 0.10 6.62 -8.06 2.21 6.45 10.35 18.53 4000 1
## theta[7] 10.60 0.11 6.70 -0.94 6.15 10.01 14.48 25.75 4000 1
## theta[8] 8.19 0.14 8.18 -8.13 3.59 8.01 12.48 25.84 3361 1
## lp__ -39.47 0.07 2.58 -45.21 -41.01 -39.28 -37.70 -34.99 1251 1
##
## Samples were drawn using NUTS(diag_e) at Thu Nov 29 11:17:50 2018.
## For each parameter, n_eff is a crude measure of effective sample size,
## and Rhat is the potential scale reduction factor on split chains (at
## convergence, Rhat=1).
这里,行名称表示估计的参数:mu是后验分布的均值,tau是其标准偏差。eta和theta的条目表示向量的估计η 和 θ 。 列指示计算的值。百分比表示可信区间。例如,教练整体效果的95%可信区间,μ 是[ - 1.27 ,18.26 ] 。由于我们不太确定平均值,95%的可信区间为θĴ 也很宽。例如,对于第一所学校,95%的可信区间是[ - 2.19 ,32.33 ] 。
我们可以使用plot
函数可视化估算中的不确定性:
黑线表示95%的间隔,而红线表示80%的间隔。圆圈表示平均值的估计值。
通过绘制采样程序的轨迹,我们可以确定采样过程中是否出现任何问题。例如,如果链条在一个地方停留太长时间 。我们可以使用traceplot
函数绘制模型中使用的四条链的痕迹:
traceplot(fit1, pars = c
从单个马尔可夫链获得样本
## parameters
## chains mu tau eta[1] eta[2] eta[3] eta[4]
## chain:1 1.111120 2.729124 -0.1581242 -0.8498898 0.5025965 -1.9874554
## chain:2 3.633421 2.588945 1.2058772 -1.1173221 1.4830778 0.4838649
## chain:3 13.793056 3.144159 0.6023924 -1.1188243 -1.2393491 -0.6118482
## chain:4 3.673380 13.889267 -0.0869434 1.1900236 -0.0378830 -0.2687284
## parameters
## chains eta[5] eta[6] eta[7] eta[8] theta[1]
## chain:1 0.3367602 -1.1940843 0.5834020 -0.08371249 0.6795797
## chain:2 -1.8057252 0.7429594 0.9517675 0.55907356 6.7553706
## chain:3 -1.5867789 0.6334288 -0.4613463 -1.44533007 15.6870727
## chain:4 0.1028605 0.3481214 0.9264762 0.45331024 2.4657999
## parameters
## chains theta[2] theta[3] theta[4] theta[5] theta[6] theta[7]
## chain:1 -1.208335 2.482769 -4.31289292 2.030181 -2.147684 2.703297
## chain:2 0.740736 7.473028 4.88612054 -1.041502 5.556902 6.097494
## chain:3 10.275294 9.896345 11.86930758 8.803971 15.784656 12.342510
## chain:4 20.201935 3.147213 -0.05906019 5.102037 8.508530 16.541455
## parameters
## chains theta[8] lp__
## chain:1 0.8826584 -41.21499
## chain:2 5.0808317 -41.17178
## chain:3 9.2487083 -40.35351
## chain:4 9.9695268 -36.34043
为了对采样过程进行更高级的分析,我们可以使用shinystan
提供Shiny前端的包。
现在我们对Stan有了基本的了解,我们可以深入了解更高级的应用程序:让我们尝试分层回归。在传统的回归中,我们模拟了形式的关系
ÿ= β0+ X.β
该表示假定所有样本具有相同的分布。如果存在一组样本,那么我们就会遇到问题,因为组内和组之间的潜在差异将被忽略。
另一种方法是为每个组建立一个回归模型。然而,在这种情况下,在估计单个模型时,小样本量将是有问题的。
分层回归是两个极端之间的折衷。该模型假设这些组相似但仍然表现出差异。
假设每个样本属于其中一个 ķ 组。然后,分层回归指定如下:
ÿķ= αķ+ X.ķβ(k ),∀ ķ ∈ { 1 ,... ,ķ}
分层回归的典型示例是大鼠数据集。该纵向数据集包含测量5周的大鼠重量。让我们加载数据:
## day8 day15 day22 day29 day36
## 1 151 199 246 283 320
## 2 145 199 249 293 354
## 3 147 214 263 312 328
## 4 155 200 237 272 297
## 5 135 188 230 280 323
## 6 159 210 252 298 331
数据显示出不同大鼠的线性增长趋势非常相似。然而,我们也看到大鼠具有不同的初始重量,不同的截距,以及不同的生长速率。因此,分层模型是合适的。
我们现在可以指定模型并将其存储在一个名为的文件中rats.stan
:
data {
int<lower=0> N; // 老鼠数
int<lower=0> T; // 时间点数
real y[N,T]; // 重量乘以时间的矩阵
real xbar; // 时间序列中的天数的中位数
}
parameters {
real alpha[N]; // 老鼠重量截距
real mu_alpha; // 平均截距
real mu_beta; //平均斜率
real<lower=0> sigmasq_y;
real<lower=0> sigmasq_alpha;
}
transformed parameters {
real<lower=0> sigma_y; // 老鼠体重的标准差
real<lower=0> sigma_alpha; // 截距分布的标准差
sigma_y <- sqrt(sigmasq_y);
sigma_alpha <- sqrt(sigmasq_alpha);
sigma_beta <- sqrt(sigmasq_beta);
}
model {
mu_alpha ~ normal(0, 100); // 非信息先验
mu_beta ~ normal(0, 100); // 非信息先验
sigmasq_alpha ~ inv_gamma(0.001, 0.001); // 普通的共轭先验
sigmasq_beta ~ inv_gamma(0.001, 0.001); // 普通的共轭先验
for (n in 1:N) // 对于每个样本
for (t in 1:T) // 每个时间点
y[n,t] ~ normal(alpha[n] + beta[n] * (x[t] - xbar), sigma_y);
}
generated quantities {
// 确定时间0(出生体重)的截距
alpha0 <- mu_alpha - xbar * mu_beta;
}
请注意,模型代码估计方差(sigmasq变量)而不是标准偏差。此外,时间0的截距,即出生时大鼠的体重。我们还可以计算其他数量,例如,不同时间点的大鼠的估计重量。我们稍后会在R中执行此操作。
要为模型准备数据,我们首先将测量点提取为数值,然后在列表结构中对所有内容进行编码:
我们现在可以拟合大鼠体重数据集的贝叶斯分层回归模型:
确定了 α 和 β 对于每只大鼠,我们现在可以在任意时间点估计个体大鼠的体重。在这里,我们感兴趣的是从第0天到第100天找到大鼠的体重。
与原始数据相比,模型的估计是平滑的,因为每条曲线都遵循线性模型。研究最后一个图中显示的置信区间,我们可以看出方差估计是合理的。离采样区域越远,不确定性越大。
非常感谢您阅读本文,有任何问题请在下方留言!