Question

我想要符合GLMM Poisson模型计数。我有121个科目（-print0），我观察到每个科目有8个泊松计数（find）：它们对应于2种类型的事件（-exec sed -i '' ... {} +）x 4个句点（subject ）。

count

我想要的是什么：

我希望GLMM采用贝叶斯方法，假设（1）event，（2）period，（3）'data.frame': 968 obs. of 4 variables: $ count : num 4 0 2 3 3 0 1 0 8 14 ... $ subject: num 1 1 1 1 1 1 1 1 2 2 ... $ event : Factor w/ 2 levels "call","visit": 2 2 2 2 2 2 2 2 1 1 ... $ period : Factor w/ 4 levels "period_1","period_2",..: 1 2 3 4 1 2 3 4 1 2 ...的随机效应。
我想为所有固定效果设置N（0,10 ^ 6），
我想设置N（0， sigma2_a ），N（0， sigma2_b ），N（0， sigma2_c ）priors （1）subject，（2）subject:visit，（3）subject:event的随机效应
我想分别为 sigma2_a ， sigma2_b ， sigma2_c 设置统一的先验。

我设法得到了什么：

我挣扎的是：

如何设置N（0， sigma2_a ），N（0， sigma2_b ），N（0， sigma2_c ）先验为随机（1）subject:visit，（2）subject:event，（3）## define some priors prior <- c(prior_string("normal(0,10^3)", class = "b"), prior_string("normal(0,10^3)", class = "b", coef = "eventvisit"), prior_string("normal(0,10^3)", class = "b", coef = "eventvisit:periodperiod_2"), prior_string("normal(0,10^3)", class = "b", coef = "eventvisit:periodperiod_3"), prior_string("normal(0,10^3)", class = "b", coef = "eventvisit:periodperiod_4"), prior_string("normal(0,10^3)", class = "b", coef = "periodperiod_2"), prior_string("normal(0,10^3)", class = "b", coef = "periodperiod_3"), prior_string("normal(0,10^3)", class = "b", coef = "periodperiod_4")) ## fit model fit1 <- brm(count ~ event + period + event:period + (1|subject) + (0 + event|subject) + (0 + period|subject), data = data.long, family = poisson(), prior = prior, warmup = 1000, iter = 4000, chains = 4, cores = 7)的效果
如何分别为 sigma2_a ， sigma2_b ， sigma2_c 设置统一的先验。

Answer 1

关于您想要的内容：您能否请subject:visit和subject:event更详细地解释您想要的内容？目前，我无法确定您的模型是否正确指定用于您的目的。

关于先辈：

如果设置prior_string("normal(0,10^3)", class = "b")，则无需为每个系数再次指定先前的系数。为整个前一课程全局设置就足够了。请注意，给定响应和预测变量的比例，正常（0,1000）是如此之宽，以至于几乎没有影响。你也好好把它留下来。
为所有随机效果字词自动设置normal(0, sigma_x)个先验。无需担心它们。
您可以使用class = "sd"在随机效果SD上设置先验。例如prior_string("cauchy(0, 5)", class = "sd")。我明确地鼓励你不特别使用统一的先验，因为它们有一个参数的硬上限（标准偏差），它没有理论上限。