समाप्ति

RJAGS के साथ Bayesian Modeling

Alicia Johnson

Associate Professor, Macalester College

RJAGS के साथ Bayesian मॉडलिंग

दुर्गम Bayesian मॉडल परिभाषित करें, compile करें, और simulate करें.
RJAGS simulation के पीछे Markov chain की यांत्रिकी समझें.

Bayesian मॉडलिंग की शक्ति

अपने डेटा और priors, दोनों से सीख लेकर posterior निष्कर्ष निकालें.

Bayesian मॉडलिंग की शक्ति

अपने डेटा और priors, दोनों से सीख लेकर posterior निष्कर्ष निकालें.
सहज posterior inference करें: credible intervals और probabilities.

आधारभूत, लचीले, और सामान्यीकरण योग्य Bayesian मॉडल

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

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

आधारभूत, लचीले, और सामान्यीकरण योग्य Bayesian मॉडल

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(...)
}"

आधारभूत, लचीले, और सामान्यीकरण योग्य Bayesian मॉडल

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(...)
}"

आधारभूत, लचीले, और सामान्यीकरण योग्य Bayesian मॉडल

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(...)
}"

आधारभूत, लचीले, और सामान्यीकरण योग्य Bayesian मॉडल

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(...)
}"

धन्यवाद!

RJAGS के साथ Bayesian Modeling