Ajuster le processus d'estimation

Modélisation de régression bayésienne avec rstanarm

Jake Thompson

Psychometrician, ATLAS, University of Kansas

Transitions divergentes

1: Il y a eu 15 transitions divergentes après l'échauffement. Augmenter adapt_delta
au‑dessus de 0.8 peut aider.
  • Pas trop grands dans l'estimateur
  • Ajuster la taille des pas
stan_model <- stan_glm(popularity ~ song_age, data = songs,
  control = list(adapt_delta = 0.95))

stan_model <- stan_glm(popularity ~ song_age, data = songs,
  control = list(adapt_delta = 0.99))
Modélisation de régression bayésienne avec rstanarm

Dépassement de la profondeur d'arbre maximale

La chaîne 1 a atteint la profondeur d'arbre maximale
  • L'échantillon explore les branches et cherche un bon point de « demi‑tour »
  • Une profondeur max indique une faible efficacité
stan_model <- stan_glm(popularity ~ song_age, data = songs,
  control = list(max_treedepth = 10))

stan_model <- stan_glm(popularity ~ song_age, data = songs,
  control = list(max_treedepth = 15))
Modélisation de régression bayésienne avec rstanarm

Ajuster l'estimation

  • Les erreurs d'estimation menacent la validité du modèle
  • Bien que complexes, elles se corrigent simplement
Modélisation de régression bayésienne avec rstanarm

Passons à la pratique !

Modélisation de régression bayésienne avec rstanarm

Preparing Video For Download...