如何通过JAGS中的均值和标准差重新分类Beta分布？

Question

在一个实验中，参与者可以使用策略X和Y的组合来解决问题。 θ是X的权重（范围从0到1，以Beta分布），可以某种方式从人类数据中推断出来（也许这里不需要详述）。

在我读过的a paper（第117页）1中，作者通过平均值和标准偏差重新参数化了θ的Beta分布。如何在JAGS中实现这一点？以下是我的尝试，我不确定它是否正确。如果没有，我想知道我应该做些什么。

model{
  for (i in 1:n) { # for each person
      theta[i] ~ dbeta(alpha, beta) # theta values come from data
  }
      alpha <- mu * phi
      beta <- (1-mu) * phi
      phi ~ dgamma(.1,.1)
      mu ~ dunif(0,1)
}

提前致谢，如果有任何细节需要我加入，请告诉我。

Answer 1

如果我理解正确，我认为你的JAGS模型中存在对theta的误解。从你的问题来看，这听起来像你在想这个参数？但是在你的模型中，你有theta作为数据（抱歉，如果我误解你）。但无论如何，你通过重新定义alpha和beta来正确地重新参数化β分布的均值和方差，这样，使用上面的代码，你将得到E（x）= mu * phi和方差（x）= mu（ 1-MU）/（PHI + 1）。

Answer 2

您是否正在寻找类似的东西？

a <- mu / (sd * sd)
b <- (1-mu) / (sd * sd)
theta ~ dbeta(a, b)

其中，mu是平均值，sd是标准偏差。