結語

使用 RJAGS 的貝氏建模

Alicia Johnson

Associate Professor, Macalester College

用 RJAGS 進行貝氏建模

定義、編譯並模擬難以處理的貝氏模型。
探索 RJAGS 模擬背後的馬可夫鏈機制。

貝氏建模的威力

結合資料與先驗，推導後驗洞見。

貝氏建模的威力

結合資料與先驗，推導後驗洞見。
進行直觀的後驗推論：可信區間與機率。

基礎、彈性、高可遷移的貝氏模型

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

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

基礎、彈性、高可遷移的貝氏模型

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(...)
}"

基礎、彈性、高可遷移的貝氏模型

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(...)
}"

基礎、彈性、高可遷移的貝氏模型

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(...)
}"

基礎、彈性、高可遷移的貝氏模型

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(...)
}"

謝謝！

使用 RJAGS 的貝氏建模