결론

RJAGS로 배우는 Bayesian 모델링

Alicia Johnson

Associate Professor, Macalester College

RJAGS를 활용한 베이지안 모델링

다루기 어려운 베이지안 모델을 정의, 컴파일 및 시뮬레이션합니다.
RJAGS 시뮬레이션의 마르코프 체인 메커니즘을 탐색합니다.

베이지안 모델링의 강점

데이터와 사전 분포의 인사이트를 결합하여 사후 분포 인사이트를 도출합니다.

베이지안 모델링의 강점

데이터와 사전 분포의 인사이트를 결합하여 사후 분포 인사이트를 도출합니다.
직관적인 사후 추론: 사후 신용 구간 및 확률.

기초적이고 유연하며 일반화 가능한 베이지안 모델

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

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

기초적이고 유연하며 일반화 가능한 베이지안 모델

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(...)
}"

기초적이고 유연하며 일반화 가능한 베이지안 모델

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(...)
}"

기초적이고 유연하며 일반화 가능한 베이지안 모델

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(...)
}"

기초적이고 유연하며 일반화 가능한 베이지안 모델

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(...)
}"

감사합니다!

RJAGS로 배우는 Bayesian 모델링