บทสรุป

การสร้างแบบจำลอง Bayesian ด้วย RJAGS

Alicia Johnson

Associate Professor, Macalester College

การสร้างโมเดล Bayesian ด้วย RJAGS

กำหนด คอมไพล์ และจำลองโมเดล Bayesian ที่ซับซ้อน
สำรวจกลไก Markov chain ที่อยู่เบื้องหลังการจำลองด้วย RJAGS

พลังของการสร้างโมเดล Bayesian

ผสานข้อมูล และ ค่า prior เพื่อสรุปเป็น posterior

พลังของการสร้างโมเดล Bayesian

ผสานข้อมูล และ ค่า prior เพื่อสรุปเป็น posterior
อนุมาน posterior ได้อย่างตรงไปตรงมา: ช่วงความน่าเชื่อถือและความน่าจะเป็น posterior

โมเดล Bayesian ที่เป็นพื้นฐาน ยืดหยุ่น และนำไปประยุกต์ใช้ได้กว้าง

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

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

โมเดล Bayesian ที่เป็นพื้นฐาน ยืดหยุ่น และนำไปประยุกต์ใช้ได้กว้าง

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(...)
}"

โมเดล Bayesian ที่เป็นพื้นฐาน ยืดหยุ่น และนำไปประยุกต์ใช้ได้กว้าง

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(...)
}"

โมเดล Bayesian ที่เป็นพื้นฐาน ยืดหยุ่น และนำไปประยุกต์ใช้ได้กว้าง

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(...)
}"

โมเดล Bayesian ที่เป็นพื้นฐาน ยืดหยุ่น และนำไปประยุกต์ใช้ได้กว้าง

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(...)
}"

ขอบคุณ!

การสร้างแบบจำลอง Bayesian ด้วย RJAGS