Question

[代码已更新，不再对应错误消息]

我试图了解JAGS如何预测结果值（对于混合马尔可夫模型）。我已经在数据集上培训了模型，其中包括结果m和协变量x1，x2和x3。

在不修复参数值的情况下预测结果在R中起作用，但输出似乎是完全随机的：

preds <- run.jags("model.txt",
                  data=list(x1=x1, x2=x2, x3=x3, m=m,
                            statealpha=rep(1,times=M), M=M, T=T, N=N), monitor=c("m_pred"),
                  n.chains=1, inits = NA, sample=1)

编译rjags模型...... 使用rjags方法调用模拟... 注意：该模型不需要调整在模型中燃烧4000次迭代...... | ************************************************* * | 100％运行模型1次迭代...... 模拟完成完成了运行模拟

但是，一旦我尝试修复参数（即使用模型估算来预测结果m），我就会收到错误：

preds <- run.jags("model.txt",
                  data=list(x1=x1, x2=x2, x3=x3,
                            statealpha=rep(1,times=M), M=M, T=T, N=N, beta1=beta1), monitor=c("m"),
                  n.chains=1, inits = NA, sample=1)

编译rjags模型...... 错误：使用rjags编译和调整模型时发生以下错误： rjags :: jags.model中的错误（model，data = dataenv，n.chains = length（runjags.object $ end.state）,: 运行时错误：第39行的编译错误。 beta1 [2,1]是一个逻辑节点，无法观察

在这种情况下，

beta1是系数估计的2x2矩阵。

JAGS如何在第一个示例中预测m（没有固定参数）？是完全随机选择m吗？
如何将先前获得的模型估算值包括在内以模拟新的结果值？

模型是：

model{
 for (i in 1:N)
 {

for (t in 1:T)
  {
  m[t,i] ~ dcat(ps[i,t,])
  }

for (state in 1:M)
  {
  ps[i,1,state] <- probs1[state]

  for (t in 2:T)
    {
    ps[i,t,state] <- probs[m[(t-1),i], state, i,t]
    }

  for (prev in 1:M){
       for (t in 1:T) {
    probs[prev,state,i,t] <- odds[prev,state,i,t]/totalodds[prev,i,t]
    odds[prev,state,i,t] <- exp(alpha[prev,state,i] +
                                beta1[prev,state]*x1[t,i]
                                + beta2[prev,state]*x2[t,i]
                               + beta3[prev,state]*x3[t,i])
    }}

  alpha[state,state,i] <- 0

      for (t in 1:T) {
  totalodds[state,i,t] <- odds[state,1,i,t] + odds[state,2,i,t]
  }
}
alpha[1,2,i] <- raneffs[i,1]
alpha[2,1,i] <- raneffs[i,2]
raneffs[i,1:2] ~ dmnorm(alpha.means[1:2],alpha.prec[1:2, 1:2])
}

for (state in 1:M)
  {
  beta1[state,state] <- 0
  beta2[state,state] <- 0
  beta3[state,state] <- 0
  }

beta1[1,2] <- rcoeff[1]
beta1[2,1] <- rcoeff[2]
beta2[1,2] <- rcoeff[3]
beta2[2,1] <- rcoeff[4]
beta3[1,2] <- rcoeff[5]
beta3[2,1] <- rcoeff[6]

alpha.Sigma[1:2,1:2] <- inverse(alpha.prec[1:2,1:2])
probs1[1:M] ~ ddirich(statealpha[1:M])
for (par in 1:6)
{
alpha.means[par] ~ dt(T.constant.mu,T.constant.tau,T.constant.k)
rcoeff[par] ~ dt(T.mu, T.tau, T.k)
}

T.constant.mu <- 0
T.mu <- 0
T.constant.tau <- 1/T.constant.scale.squared
T.tau <- 1/T.scale.squared
T.constant.scale.squared <- T.constant.scale*T.constant.scale
T.scale.squared <- T.scale*T.scale
T.scale <- 2.5
T.constant.scale <- 10
T.constant.k <- 1
T.k <- 1
alpha.prec[1:2,1:2] ~ dwish(Om[1:2,1:2],2)
Om[1,1] <- 1
Om[1,2] <- 0
Om[2,1] <- 0
Om[2,2] <- 1

## Prediction
for (i in 1:N)
    {

   m_pred[1,i] <- m[1,i]

    for (t in 2:T)  
      {
      m_pred[t,i] ~ dcat(ps_pred[i,t,])
      }

    for (state in 1:M)
      {
      ps_pred[i,1,state] <- probs1[state]

      for (t in 2:T)
        {
        ps_pred[i,t,state] <- probs_pred[m_pred[(t-1),i], state, i,t]
        }

      for (prev in 1:M)
        {

       for (t in 1:T)
         {
        probs_pred[prev,state,i,t] <- odds_pred[prev,state,i,t]/totalodds_pred[prev,i,t]
        odds_pred[prev,state,i,t] <- exp(alpha[prev,state,i] +
                                    beta1[prev,state]*x1[t,i]
                                    + beta2[prev,state]*x2[t,i]
                                   + beta3[prev,state]*x3[t,i])
        }}

      for (t in 1:T) {
      totalodds_pred[state,i,t] <- odds_pred[state,1,i,t] + odds_pred[state,2,i,t]
       }
      }
  }

Answer 1

TL; DR：我认为您只是错过了可能性。

你的模型很复杂，所以也许我错过了一些东西，但据我所知，这是不可能的。您提供的是预测变量x1，x2和x3作为数据，但您并未提供任何观察到的m。那么JAGS在什么意义上可以适应＆＃34;模特？

回答你的问题：

是的，似乎m是从模型其余部分的分类分布中随机抽取的。由于没有m作为数据提供，因此没有任何参数分布具有更新的原因，因此m的结果与您获得的结果没有什么不同之处先验并通过R或其他任何模型传播它们。
虽然在任何意义上它仍然不能构成拟合模型，但如果它们尚未在模型中完全定义，您可以自由地提供beta1的值。 JAGS抱怨是因为当前beta1[i] = rcoeff[i] ~ dt(T.mu, T.tau, T.k)，并且T分布的参数都是固定的。如果(T.mu, T.tau, T.k)中的任何一个被赋予先验（将其标识为随机），那么beta1可以作为数据提供，JAGS会将rcoeff[i] ~ dt(T.mu, T.tau, T.k)视为可能性。但是在模型的当前形式中，就JAGS而言，如果您提供beta1作为数据，那么这与模型中已有的固定定义相冲突。

我在这里伸展，但我的猜测是，如果你正在使用JAGS，你也有（或者想）在JAGS中使用该模型。在jag模型中包括观察到的响应和期望的预测响应的常见模式，例如，像这样的东西：

model {
  b ~ dnorm(0, 1) # prior on b

  for(i in 1:N) {
    y[i] ~ dnorm(b * x[i], 1) # Likelihood of y | b (and fixed precision = 1 for the example)
  }

  for(i in 1:N_pred) {
    pred_y[i] ~ dnorm(b * pred_x[i], 1) # Prediction
  }
}

在此示例模型中，x，y和pred_x作为数据提供，未知参数b将被估算，我们希望后验预测pred_y的每个值均为pred_x。 JAGS知道第一个for循环中的分布是一种可能性，因为y是作为数据提供的。 b的后验样本将受此可能性的约束。第二个for循环看起来很相似，但由于pred_y未作为数据提供，因此它无法约束b。相反，JAGS知道只需绘制pred_y条件b和提供的pred_x条件。 pred_x的值通常被定义为与观察到的x相同，为每个观察到的数据点提供预测间隔，或者作为沿x轴的常规值序列以生成平滑的预测间隔

使用R

1 个答案: