机器算法验证 - 具有主体间因子的贝叶斯混合模型回归 - 吾爱随笔录

我试图在 JAGS/rjags 中指定一个模型，其中一个主题因子（a，具有两个级别 - Y，N）与一个重复测量连续变量x加上相关的主题变化斜率和截距相互作用。我可以使用 lmer 函数简单地指定这个模型：

lmer(y ~ a + x + a:x + (1 + a | id))

我的 JAGS/rjags 很生锈（或很新鲜）。在我看来，在估计a的两个水平的斜率时，下面似乎正在拟合一个具有不同截距和不同斜率的模型，但我不确定我正在做我认为我正在做的事情。两者之间也没有指定相关性。

modelstring = "
model {
  for ( i in 1:Ntotal ) {
    y[i] ~ dnorm( mu[i] , tau )
    mu[i] <- a1[aLvl[i]] + s1[sLvl[i]] + a2[aLvl[i]] * x[i] + s2[sLvl[i]] * x[i]
  }
  # Prior:
  tau <- pow( sigma , -2 )
  sigma ~ dunif(0,1000)
  for ( j in 1:2 ) { 
      a1[j] ~ dnorm( 0.0 , aTau ) 
      a2[j] ~ dnorm( 0.0 , aTau ) 
  }
  aTau <- 1 / pow( aSD , 2 )
  aSD <- abs( aSDunabs ) + .1
  aSDunabs ~ dt( 0 , 1.0E-7 , 2 )
  #
  for ( j in 1:NsLvl ) { 
    s1[j] ~ dnorm( 0.0 , sTau ) 
    s2[j] ~ dnorm( 0.0 , sTau )
  }
  sTau <- 1 / pow( sSD , 2 )
  sSD <- abs( sSDunabs ) + .1
  sSDunabs ~ dt( 0 , 1.0E-7 , 2 )
}
"

这方面的框架来自Kruschke，这也提供了一些帮助。我将不胜感激一些指向类似分析示例的指针或链接。

modelstring = " model { for( r in 1 : Ntotal ) { y[r] ~ dnorm( mu[r] , tau ) mu[r] <- b0[ sLvl[r] ] + b1[ sLvl[r] ] * x[r] } #General priors tau ~ dgamma( sG , rG ) sG <- pow(m,2)/pow(d,2) rG <- m/pow(d,2) m ~ dgamma(1, 0.001) d ~ dgamma(1, 0.001) #Subject level priors for ( s in 1 : NsLvl ) { b0[s] <- B[s,1] b1[s] <- B[s,2] B[s, 1:2] ~ dmnorm( B.hat[s, ], Tau.B[ , ] ) B.hat[s,1] <- hix1[aLvlx[s]] B.hat[s,2] <- hix2[aLvlx[s]] } Tau.B[1:2 , 1:2] <- inverse(Sigma.B[,]) Sigma.B[1,1] <- pow(tau0G, 2) Sigma.B[2,2] <- pow(tau1G, 2) Sigma.B[1,2] <- rho * tau0G * tau1G Sigma.B[2,1] <- Sigma.B[1,2] tau0G ~ dunif(0.001,100) tau1G ~ dunif(0.001,100) rho ~ dunif(-1,1) #Between subjects level priors for ( k in 1:NaLvl ) { hix1[k] ~ dnorm( 0 , 0.0000001 ) hix2[k] ~ dnorm( 0 , 0.0000001 ) } }" writeLines(modelstring,con="model.txt")