将参数固定到 JAGS 中的分布

Fixing a parameter to a distribution in JAGS

在贝叶斯编程语言 JAGS 中,我正在寻找一种方法来将参数固定为特定分布,而不是常数。下面的段落更明确地提出了这个问题并引用了 JAGS 代码。我也愿意接受使用其他概率编程语言(例如 stan)的答案。

下面的第一个代码块 (model1) 是一个 JAGS 脚本,旨在估计具有不等方差的两组高斯混合模型。我正在寻找一种方法来将其中一个参数(例如 $\mu_2$)固定为特定分布(例如,dnorm(0,0.0001))。我知道如何将 $\mu_2$ 固定为常量(例如,请参阅代码块 2 中的模型 2),但我找不到将 $\mu_2$ 固定为我先前的信念的方法(例如,请参阅代码块 3 中的模型 3,它从概念上展示了我正在尝试做的事情)。

提前致谢!

代码块 1

model1 = "
model {

for (i in 1:n1){
y1[i] ~ dnorm (mu1 , phi1) 
}

for (i in 1:n2){ 
y2[i] ~ dnorm (mu2 , phi2) 
}

# Priors
phi1 ~ dgamma(.001,.001) 
phi2 ~ dgamma(.001,.001) 
sigma2.1 <- 1/phi1
sigma2.2 <- 1/phi2
mu1 ~ dnorm (0,0.0001) 
mu2 ~ dnorm (0,0.0001)

# Create a variable for the mean difference

delta <- mu1 - mu2

}
"

代码块 2

model2 = "
model {

for (i in 1:n1){
y1[i] ~ dnorm (mu1 , phi1) 
}

for (i in 1:n2){ 
y2[i] ~ dnorm (mu2 , phi2) 
}

# Priors
phi1 ~ dgamma(.001,.001) 
phi2 ~ dgamma(.001,.001) 
sigma2.1 <- 1/phi1
sigma2.2 <- 1/phi2
mu1 ~ dnorm (0,0.0001) 
mu2 <- 1.27

# Create a variable for the mean difference

delta <- mu1 - mu2

}
"

代码块 3

model3 = "
model {

for (i in 1:n1){
y1[i] ~ dnorm (mu1 , phi1) 
}

for (i in 1:n2){ 
y2[i] ~ dnorm (mu2 , phi2) 
}

# Priors
phi1 ~ dgamma(.001,.001) 
phi2 ~ dgamma(.001,.001) 
sigma2.1 <- 1/phi1
sigma2.2 <- 1/phi2
mu1 ~ dnorm (0,0.0001) 
mu2 <- dnorm (0,0.0001) 

# Create a variable for the mean difference

delta <- mu1 - mu2

}
"

我不知道 JAGS,但这里有两个 Stan 版本。一个在所有迭代中取 mu2 的单个样本;第二个为每次迭代采用不同的 mu2 样本。

不管怎样,我没有资格判断这是否真的是个好主意。 (特别是第二个版本,是 Stan 团队有意避免的,原因已描述 here。)但它至少是可能的。

(在这两个例子中,我更改了一些先验分布以使数据更易于处理,但基本思想是相同的。)

mu2

的一个样本

首先是斯坦模型。

data {
  int<lower=0> n1;
  vector[n1] y1;
  int<lower=0> n2;
  vector[n2] y2;
}

transformed data {
  // Set mu2 to a single randomly selected value (instead of giving it a prior
  // and estimating it).
  real mu2 = normal_rng(0, 0.0001);
}

parameters {
  real mu1;
  real<lower=0> phi1;
  real<lower=0> phi2;
}

transformed parameters {
  real sigma1 = 1 / phi1;
  real sigma2 = 1 / phi2;
}

model {
  mu1 ~ normal(0, 0.0001);
  phi1 ~ gamma(1, 1);
  phi2 ~ gamma(1, 1);
  y1 ~ normal(mu1, sigma1);
  y2 ~ normal(mu2, sigma2);
}

generated quantities {
  real delta = mu1 - mu2;
  // We can't return mu2 from the transformed data block.  So if we want to see
  // what it was, we have to copy its value into a generated quantity and return
  // that.
  real mu2_return = mu2;
}

接下来,R 代码生成假数据并拟合模型。

# Generate fake data.
n1 = 1000
n2 = 1000
mu1 = rnorm(1, 0, 0.0001)
mu2 = rnorm(1, 0, 0.0001)
phi1 = rgamma(1, shape = 1, rate = 1)
phi2 = rgamma(1, shape = 1, rate = 1)
y1 = rnorm(n1, mu1, 1 / phi1)
y2 = rnorm(n2, mu2, 1 / phi2)
delta = mu1 - mu2

# Fit the Stan model.
library(rstan)
options(mc.cores = parallel::detectCores())
rstan_options(auto_write = T)

stan.data = list(n1 = n1, y1 = y1, n2 = n2, y2 = y2)
stan.model = stan(file = "stan_model.stan",
                  data = stan.data,
                  cores = 3, iter = 1000)

我们可以从 Stan 模型中提取样本,并看到我们正确地恢复了参数的真实值 - 当然,mu2 的情况除外。

# Pull out the samples.
library(tidybayes)
library(tidyverse)
stan.model %>%
  spread_draws(mu1, phi1, mu2_return, phi2) %>%
  ungroup() %>%
  dplyr::select(.draw, mu1, phi1, mu2 = mu2_return, phi2) %>%
  pivot_longer(cols = -c(.draw), names_to = "parameter") %>%
  ggplot(aes(x = value)) +
  geom_histogram() +
  geom_vline(data = data.frame(parameter = c("mu1", "phi1", "mu2", "phi2"),
                               true.value = c(mu1, phi1, mu2, phi2)),
             aes(xintercept = true.value), color = "red", size = 1.5) +
  facet_wrap(~ parameter, scales = "free") +
  theme_bw() +
  scale_x_continuous("Parameter value") +
  scale_y_continuous("Number of samples")

每次迭代 mu2 的新样本

我们无法在参数中生成一个运行dom number,t运行sformed parameters, or model block;同样,这是一个深思熟虑的设计选择。但是我们可以在 t运行sformed 数据块中生成一大堆数字,并为每次迭代获取一个新数字。为此,我们需要一种方法来确定我们在参数块中进行的迭代。我从 this discussion on the Stan forums 末尾开始使用 Louis 的解决方案。首先,在您的工作目录中将以下 C++ 代码保存为 iter.hpp

static int itct = 1;
inline void add_iter(std::ostream* pstream__) {
    itct += 1;
}
inline int get_iter(std::ostream* pstream__) {
    return itct;
}

接下来,定义Stan模型如下。函数add_iter()get_iter()iter.hpp中定义;如果你在 RStudio 中工作,当你编辑 Stan 文件时你会得到错误符号,因为 RStudio 不知道我们将从其他地方引入这些函数定义。

functions {
  void add_iter();
  int get_iter();
}

data {
  int<lower=0> n1;
  vector[n1] y1;
  int<lower=0> n2;
  vector[n2] y2;
  int<lower=0> n_iterations;
}

transformed data {
  vector[n_iterations + 1] all_mu2s;
  for(n in 1:(n_iterations + 1)) {
    all_mu2s[n] = normal_rng(0, 0.0001);
  }
}

parameters {
  real mu1;
  real<lower=0> phi1;
  real<lower=0> phi2;
}

transformed parameters {
  real sigma1 = 1 / phi1;
  real sigma2 = 1 / phi2;
  real mu2 = all_mu2s[get_iter()];
}

model {
  mu1 ~ normal(0, 0.0001);
  phi1 ~ gamma(1, 1);
  phi2 ~ gamma(1, 1);
  y1 ~ normal(mu1, sigma1);
  y2 ~ normal(mu2, sigma2);
}

generated quantities {
  real delta = mu1 - mu2;
  add_iter();
}

请注意,该模型实际上为 mu2 生成了比我们需要的多 1 个 运行dom 值。当我尝试准确生成 n_iterations 运行dom 值时,我收到一条错误消息,通知我 Stan 已尝试访问 all_mu2s[1001]。 我觉得这很令人担忧,因为这意味着我不完全理解内部发生的事情——考虑到下面的 R 代码,难道不应该只有 1000 次迭代吗?不过看起来就是差一的错误,而且拟合出来的模型看起来还算合理,所以就没再追究了。

另请注意,此方法获取的是迭代次数,而不是链。我运行只有一个链条;如果您 运行 多个链,则 mu2 的第 i 个值在每个链中都是相同的。同一个 Stan 论坛讨论有区分链的建议,但我没有探索它。

最后,生成假数据并将模型与其拟合。当我们编译模型时,我们需要潜入 iter.hpp 中的函数定义,如 here.

所述
# Generate fake data.
n1 = 1000
n2 = 1000
mu1 = rnorm(1, 0, 0.0001)
mu2 = rnorm(1, 0, 0.0001)
phi1 = rgamma(1, shape = 1, rate = 1)
phi2 = rgamma(1, shape = 1, rate = 1)
y1 = rnorm(n1, mu1, 1 / phi1)
y2 = rnorm(n2, mu2, 1 / phi2)
delta = mu1 - mu2
n.iterations = 1000

# Fit the Stan model.
library(rstan)
stan.data = list(n1 = n1, y1 = y1, n2 = n2, y2 = y2,
                 n_iterations = n.iterations)
stan.model = stan_model(file = "stan_model.stan",
                        allow_undefined = T,
                        includes = paste0('\n#include "',
                                          file.path(getwd(), 'iter.hpp'),
                                          '"\n'))
stan.model.fit = sampling(stan.model,
                          data = stan.data,
                          chains = 1,
                          iter = n.iterations,
                          pars = c("mu1", "phi1", "mu2", "phi2"))

我们再次相当好地恢复了 mu1phi1phi2 的值。这一次,我们为 mu2 使用了整个 运行ge 个值,它们遵循指定的分布。

# Pull out the samples.
library(tidybayes)
library(tidyverse)
stan.model.fit %>%
  spread_draws(mu1, phi1, mu2, phi2) %>%
  ungroup() %>%
  dplyr::select(.draw, mu1, phi1, mu2 = mu2, phi2) %>%
  pivot_longer(cols = -c(.draw), names_to = "parameter") %>%
  ggplot(aes(x = value)) +
  geom_histogram() +
  stat_function(dat = data.frame(parameter = "mu2", value = 0),
                fun = function(.x) { dnorm(.x, 0, 0.0001) * 0.01 },
                color = "blue", size = 1.5) +
  geom_vline(data = data.frame(parameter = c("mu1", "phi1", "mu2", "phi2"),
                               true.value = c(mu1, phi1, mu2, phi2)),
             aes(xintercept = true.value), color = "red", size = 1.5) +
  facet_wrap(~ parameter, scales = "free") +
  theme_bw() +
  scale_x_continuous("Parameter value") +
  scale_y_continuous("Number of samples")