Kết luận

Mô hình hóa Bayesian với RJAGS

Alicia Johnson

Associate Professor, Macalester College

Mô hình Bayes với RJAGS

Định nghĩa, biên dịch và mô phỏng các mô hình Bayes khó giải.
Khám phá cơ chế chuỗi Markov phía sau mô phỏng RJAGS.

Sức mạnh của mô hình Bayes

Kết hợp hiểu biết từ dữ liệu của bạn và prior để suy luận posterior.

Sức mạnh của mô hình Bayes

Kết hợp hiểu biết từ dữ liệu của bạn và prior để suy luận posterior.
Suy luận posterior trực quan: khoảng tin cậy posterior và xác suất.

Mô hình Bayes nền tảng, linh hoạt và khái quát hóa tốt

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

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

Mô hình Bayes nền tảng, linh hoạt và khái quát hóa tốt

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(...)
}"

Mô hình Bayes nền tảng, linh hoạt và khái quát hóa tốt

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(...)
}"

Mô hình Bayes nền tảng, linh hoạt và khái quát hóa tốt

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(...)
}"

Mô hình Bayes nền tảng, linh hoạt và khái quát hóa tốt

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(...)
}"

Cảm ơn bạn!

Mô hình hóa Bayesian với RJAGS