这是我的代码
library(R2jags) #library(rjags)
library(bayesplot)
library(coda)
# set working directory
setwd("/Users/isa/Desktop/logreg")
# BUGS model code
cat("model {
for( i in 1 : 8 ) {
y[i] ~ dbin(theta[i],n[i])
logit(theta[i]) <- beta0 + beta1 * x[i]
}
beta0 ~ dunif(-100, 100)
beta1 ~ dunif(-100, 100)
}",
file = "model_log.txt")
data <- read.delim("data.txt",
sep = "",
header = TRUE,
check.names = "FALSE",
stringsAsFactors = FALSE)
initsone <- list(beta0 = -100, beta1 = 100)
initstwo <- list(beta0 = 100, beta1 = -100)
initslog <- list(initsone, initstwo)
paramslog <- c("beta0", "beta1", "theta[6]")
outputlog <-
jags(data = data,
inits = initslog,
parameters.to.save = paramslog,
model.file = "model_log.txt",
n.chains = 2,
n.iter = 1000,
n.burnin = 1000,
n.thin = 1,
DIC = TRUE#,
# bugs.directory = getwd(),
# working.directory = getwd()
)
一切正常,直到我尝试编译输出。我收到错误消息:
Error in jags.model(model.file, data = data, inits = init.values, n.chains = n.chains, :
Error in node y[1]
Node inconsistent with parents
我相信这与我的数据有关,我的数据是OpenBugs格式的
list(y = c(1, 3, 6, 8, 11, 15, 17, 19),
n = c(20, 20, 20, 20, 20, 20, 20, 20),
x = c(30, 32, 34, 36, 38, 40, 42, 44),
N = 8 )
但是我将其转换为R格式:
y n x
1 20 30
3 20 32
6 20 34
8 20 36
11 20 38
15 20 40
17 20 42
19 20 44
我是否正确转换了数据?数据哪里出问题了?一切正常,直到我尝试编译输出。我收到一个错误说明:jags.model(model.file,data = data,inits = init.values,n.chains = n.chains,错误: 节点y [1]中存在错误 节点与父母不一致
答案 0 :(得分:0)
您已经在先验的边界处开始了参数的初始值。从本质上讲,这不是问题,但是那些logit缩放值可能会达到极限,因此将创建初始估计值Pr == 0或Pr == 1。
仅处理您的数据,假设我们使用beta0 = -100
和beta1 = 100
初始化模型。
对于您的第一个数据点x = 30
,您的logit-linear预测变量开始为:
theta = -100 + 100 * 30
theta = 2900
plogis(theta) = 1
因此,我们以1的成功概率开始,但是y=1
试验的n=20
的成功概率不能为1。您可以尝试一些方法来鼓励模型开始采样。
x
协变量,使其均值= 0且sd = 1(即,使用scale
中的R
函数。{{1} }不喜欢JAGS
的直接输出,因此您最终会做scale
。这很有帮助,因为它意味着您可以使用标准先验进行回归,但是意味着您需要解释系数与此不同。在线上有很多资源可以查看与均值中心变量相关的信息。另一种获取初始值在正确区域中的某处的方法(假设您使用的是模糊先验)只是拟合常态逻辑回归模型,并将这些估计值用作每个参数的某些随机正态分布的平均值。毕竟,在先验含糊的情况下,频繁出现的估计应该确实接近贝叶斯估计,因为可能性将大大超过先验。
x = as.numeric(scale(c(30, 32, 34, 36, 38, 40, 42, 44)))
您可以在此处看到dat <- list(y = c(1, 3, 6, 8, 11, 15, 17, 19),
n = c(20, 20, 20, 20, 20, 20, 20, 20),
x = c(30, 32, 34, 36, 38, 40, 42, 44),
N = 8 )
# set up as matrix of successes and failures
y <- matrix(NA, ncol = 2, nrow = 8)
y[,1] <- dat$y
y[,2] <- dat$n - dat$y
m1 <- glm(y ~ dat$x, family = binomial)
summary(m1)
Call:
glm(formula = y ~ dat$x, family = binomial)
Deviance Residuals:
Min 1Q Median 3Q Max
-0.39289 -0.20654 -0.04323 0.21294 0.50657
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -13.55295 2.05832 -6.584 4.57e-11 ***
dat$x 0.36630 0.05536 6.616 3.68e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 70.7352 on 7 degrees of freedom
Residual deviance: 0.7544 on 6 degrees of freedom
AIC: 27.71
Number of Fisher Scoring iterations: 4
附近的值与该特定模型的参数估计值相距很远。
因此,如果需要,可以设置一些初始值,如下所示:
abs(100)
当然,只有在没有先验信息的情况下,并且对于像这样的非常简单的模型,这才真正起作用。