我正在使用 JAGS 来估计法线的狄利克雷过程混合。该代码运行良好，估计的密度是准确的。但是，我想知道每个观察值分配给哪个组件以及该组件的相应参数。由于混合模型中的标签切换问题，这很难。

有什么建议么？对手段施加订单限制是避免这种情况的一种推荐方法，但我无法在 JAGS 中很好地实现它。

下面是 JAGS 模型后面的 R 代码。

library(R2jags)
library(mixtools)

nobs=200
popmn=c(-6,-3,3); popstd=c(1.5,1.5,.7); popprob=c(.6,.3,.1)
x=rnormmix(n=nobs,lambda=popprob,mu=popmn,sigma=popstd)
xgrid=seq(-8,8,length=500)

###true density
densTrue=rep(0,length(xgrid))
for(i in 1:length(xgrid))
  densTrue[i]=sum(popprob*dnorm(xgrid[i],popmn,popstd))
densTrue=densTrue/sum(densTrue)

###Call JAGS
K=10
dataList = list(y=x,n=200,K=K,grid=xgrid,n2=length(xgrid))
jags.inits <- function(){
  list('mu'=rep(0,K),'tau'=rep(1,K),'prob'=rep(1/K,K))
}
parameters=c('f')
jags.fit=jags(data=dataList,inits=jags.inits,parameters,"jagsModel",n.chains=1,n.iter=800,n.burnin=300)
jags.fit
#contruct density
DPDens2=jags.fit$BUGSoutput$mean$f
DPDens2=DPDens2/sum(DPDens2)

###Plot
plot(xgrid,trueDens,type='l')
lines(xgrid,DPDens2,col=2)

JAGS 型号：

model{
 for(i in 1:n){
  y[i] ~ dnorm(mu[z[i]],tau[z[i]])
  z[i] ~ dcat(prob[])
  for(j in 1:K){
   f.d[i,j] <- prob[j]*coi*exp(-0.5*pow(y[i]-mu[z[i]],2)*tau[z[i]])*sqrt(tau[z[i]])
  }
 }
 prob[1:K] ~ ddirch(prob.par[])
 for(i in 1:K){
  repeat[i] <- step(1-dist[i])
  prob.par[i] <- alpha/K
  mu[i] ~ dnorm(0,.001)
  tau[i] ~ dgamma(0.001,0.001)
 }
 # total is number of active "used" components
 total <- sum(repeat[])
 dist[1] <- 1
 for(i in 2:K){
  dist[i] <- sum(count[i,1:i])
  count[i,i] <- 1
  for(j in 1:i-1){
   count[i,j] <- equals(z[i],z[j])
  }
 }
 alpha <- 1
###Density
 for(i in 1:n2){
  for(j in 1:K){
   f.p[i,j] <- prob[j]*coi*exp(-0.5*pow(grid[i]-mu[j],2)*tau[j])*sqrt(tau[j])
  }
  # f[i] is predictive density over grid[i]
  f[i] <- sum(f.p[i,1:K])
  }
  coi <- 0.3989422804
}