Question

我一直试图将平滑处理纳入我创建的runjags模型中，该模型用于建模海鸟洞穴数量和整个岛屿的分布。我设法通过从模型输出中提取计数数据以及x和y坐标并使用此页面上的JAGAM教程来http://www.petrkeil.com/?p=2385

生成一些平滑代码

我认为我可以通过将平滑处理合并到锯齿模型中来改善模型性能，但是我对此却一无所知。您能为我提供如何实现这一目标的任何指示吗？

我在下面附加了一部分runjags代码和JAGAM输出。

runjags代码：

let popViewController = CreateNoticePopupViewController()

JAGAM输出：

for(i in 1:K) { 
S1[i]~dpois(lambda1[i])
SS1[i]~dpois(lambda1[i])
lambda1[i]<-exp(a0+
a1*Tussac[i]+
a2*normalise_DEM_aspect[i]+
a3*normalise_DEM_slope[i]+
a4*Tussac[i]*normalise_DEM_aspect[i]+
a5*Tussac[i]*normalise_DEM_slope[i]+
a6*normalise_sentinel1[i]+
a7*normalise_setinel3[i]+
a8*normalise_sentinel4[i]+
a9*normalise_sentinel5[i]+
a10*normalise_sentinel8[i]+
a11*normalise_sentinel10[i]+
a12*S2[i])
}

样本数据：

readLines("jagam.bug")
"model {"                                                        
"  eta <- X %*% b ## linear predictor"                           
"  for (i in 1:n) { mu[i] <-  exp(eta[i]) } ## expected response"
"  for (i in 1:n) { y[i] ~ dpois(mu[i]) } ## response "          
"  ## Parametric effect priors CHECK tau=1/35^2 is appropriate!" 
"  for (i in 1:1) { b[i] ~ dnorm(0,0.00083) }"                   
"  ## prior for s(x,y)... "                                      
"  K1 <- S1[1:29,1:29] * lambda[1]  + S1[1:29,30:58] * lambda[2]"
"  b[2:30] ~ dmnorm(zero[2:30],K1) "                             
"  ## smoothing parameter priors CHECK..."                       
"  for (i in 1:2) {"                                             
"    lambda[i] ~ dgamma(.05,.005)"                               
"    rho[i] <- log(lambda[i])"                                   
"  }"                                                            
"}"

Answer 1

这是一个很好的问题，并且是一个很好的主意，可以使用jagam的输出（极其有用）在您的模型中添加GAM术语。在您的情况下，我建议您使用jagam仅生成GAM术语，而不生成其他内容（甚至不截取），然后将jagam模型输出的相关部分复制/粘贴到您现有的模型代码中，如下所示：以及从jagam获取X数据变量并将其用作数据。举一个例子最容易证明这一点：

首先使用单个线性项X1和单个非线性项X2（在这种情况下是多项式，但这无关紧要）来模拟一些数据：

library('runjags')
library('mgcv')

set.seed(2018-09-06)

N <- 100
dataset <- data.frame(X1 = runif(N,-1,1), X2 = runif(N,-1,1))
dataset$ll <- with(dataset, 1 + 0.15*X1 + 0.25*X2 - 0.2*X2^2 + 0.15*X2^3 + rnorm(N,0,0.1))
dataset$Y <- rpois(N, exp(dataset$ll))

# Non-linear relationship with log lambda:
with(dataset, plot(X2, ll))

然后运行jagam BUT，请确保在右侧指定0 +，以排除拦截项：

# Get the JAGAM stuff excluding intercept:
jd <- jagam(Y ~ 0 + s(X2), data=dataset, file='jagam.txt',
    sp.prior="gamma",diagonalize=TRUE,family='poisson')

或者，您可以在此处保留拦截项并将其从模型中删除。这样我们得到了一个jagam.txt文件，如下所示：

model {
  eta <- X %*% b ## linear predictor
  for (i in 1:n) { mu[i] <-  exp(eta[i]) } ## expected response
  for (i in 1:n) { y[i] ~ dpois(mu[i]) } ## response 
  ## prior for s(X2)... 
  for (i in 1:8) { b[i] ~ dnorm(0, lambda[1]) }
  for (i in 9:9) { b[i] ~ dnorm(0, lambda[2]) }
  ## smoothing parameter priors CHECK...
  for (i in 1:2) {
    lambda[i] ~ dgamma(.05,.005)
    rho[i] <- log(lambda[i])
  }
}

您可以删除第一行和最后一行，以及以for（i：n中的i）开头的两行，因为我们将自己复制这些行。现在，复制文件的所有剩余内容，并仅使用线性预测变量（和/或随机效应或其他任何形式）进入您的（非GAM）模型-例如：

model <- 'model{

    for(i in 1:N){      
        log(mean[i]) <- intercept + coef*X1[i]
        Y[i] ~ dpois(mean[i])
    }

    # Our priors:
    intercept ~ dnorm(0, 10^-6)
    coef ~ dnorm(0, 10^-6)

    #data# N, X1, Y
    #monitor# intercept, coef
}'

然后将您复制的GAM位粘贴到末尾，这样您将获得：

model <- 'model{

    for(i in 1:N){      
        log(mean[i]) <- intercept + coef*X1[i] + eta[i]
        Y[i] ~ dpois(mean[i])
    }

    # Our priors:
    intercept ~ dnorm(0, 10^-6)
    coef ~ dnorm(0, 10^-6)

    #data# N, X1, Y, X
    #monitor# intercept, coef, b, rho

    ## JAGAM
    eta <- X %*% b ## linear predictor
    ## prior for s(X2)... 
    for (i in 1:8) { b[i] ~ dnorm(0, lambda[1]) }
    for (i in 9:9) { b[i] ~ dnorm(0, lambda[2]) }
    ## smoothing parameter priors CHECK...
    for (i in 1:2) {
    lambda[i] ~ dgamma(.05,.005)
    rho[i] <- log(lambda[i])
    }
    ## END JAGAM    
}'

请注意，在GLM行中添加了+ eta [i]，以考虑GAM项，并在监视器中添加b和rho。那应该是模型所需要做的全部工作（除了按照建议检查先验参数等是否平滑）。

然后，我们需要提取新的X数据变量以用于JAGS：

X <- jd$jags.data$X

如果需要，您还可以提取b和lambda的初始值。最后，我们可以使用runjags运行模型：

results <- run.jags(model, n.chains=2, data=dataset)
results

当然，通过将jagam代码放入更简单的模型中，这个愚蠢的示例毫无用处-jagam可以为我们创建整个模型（包括截距和线性预测器）。但是，当将一个相对较小的GAM组件添加到一个较大的预先存在的模型中时，这种方法可能有价值，该模型已被编写为使用runjags中的某些功能...

如果我们想使用sim2jam返回并在合适的runjags对象上使用mgcv中的相关诊断/帮助程序功能，当前需要直接调用rjags以获得更多样本：

library('rjags')
sam <- jags.samples(as.jags(results), c('b','rho'), n.iter=10000)
jam <- sim2jam(sam,jd$pregam)
plot(jam)

这里缺少两件事：

1）使用sim2jam的能力，而无需在rjags中进行更多采样。这需要对rjags包中的mcarray类进行一些补充，目前我正在研究。

2）template.jags（）可以自动为您完成所有操作的能力-这是我将来要实现的事情。

希望有帮助-我很想听听你的生活。

马特

将jagam代码插入runjags（JAGS）模型中

1 个答案: