Conclusão

Modelagem Bayesiana com RJAGS

Alicia Johnson

Associate Professor, Macalester College

Modelagem Bayesiana com RJAGS

Defina, compile e simule modelos Bayesianos intratáveis.
Explore a mecânica de cadeias de Markov por trás da simulação no RJAGS.

O poder da modelagem Bayesiana

Una os insights dos seus dados e dos priors para informar o posterior.

O poder da modelagem Bayesiana

Una os insights dos seus dados e dos priors para informar o posterior.
Faça inferência posterior intuitiva: intervalos e probabilidades credíveis.

Modelos Bayesianos fundamentais, flexíveis e generalizáveis

my_model <- "model{
  # Likelihood model
  for(i in 1:length(Y)) {
    Y[i] ~ dnorm(m, s^(-2))
  }

  # Prior models
  m ~ dnorm(...)
  s ~ dunif(...)
}"

Modelos Bayesianos fundamentais, flexíveis e generalizáveis

my_model <- "model{
  # Likelihood model
  for(i in 1:length(Y)) {
    Y[i] ~ dnorm(m[i], s^(-2))
    m[i] <- a + b * X[i]
  }

  # Prior models
  a ~ dnorm(...)
  b ~ dnorm(...)
  s ~ dunif(...)
}"

Modelos Bayesianos fundamentais, flexíveis e generalizáveis

my_model <- "model{
  # Likelihood model
  for(i in 1:length(Y)) {
    Y[i] ~ dnorm(m[i], s^(-2))
    m[i] <- a + b[X[i]]
  }

  # Prior models
  a ~ dnorm(...)
  b[1] <- 0
  b[2] ~ dnorm(...)
  s ~ dunif(...)
}"

Modelos Bayesianos fundamentais, flexíveis e generalizáveis

my_model <- "model{
  # Likelihood model
  for(i in 1:length(Y)) {
    Y[i] ~ dnorm(m[i], s^(-2))
    m[i] <- a + b[X[i]] + c * Z[i]
  }
  # Prior models
  a ~ dnorm(...)
  b[1] <- 0
  b[2] ~ dnorm(...)
  c ~ dnorm(...)
  s ~ dunif(...)
}"

Modelos Bayesianos fundamentais, flexíveis e generalizáveis

my_model <- "model{
 # Likelihood model
 for(i in 1:length(Y)) {
 Y[i] ~ dpois(l[i])
 log(l[i]) <- a + b[X[i]] + c*Z[i]
 }
 # Prior models
 a ~ dnorm(...)
 b[1] <- 0
 b[2] ~ dnorm(...)
 c ~ dnorm(...)
}"

Obrigado!

Modelagem Bayesiana com RJAGS