第四部分软件应用姜涛.pptVIP

* * * * * 例 4 θ 一棵随机选择的树存活到下一年的概率 例 4 例 4 例 4 软件操作 姜涛 贝叶斯统计软件：OPENBUGS BUGS-Bayesian inference Using Gibbs Sampling 是一种通过贝叶斯分析利用MCMC方法解决复杂统计模型的软件． 1989：BUGS(Cambridge) 1998：winBUGS 2004：openBUGS(University of Helsinki) MCMC(Markov Chain Monte Carlo)：用Monte Carlo的算法产生的Markov Chain Markov Chain（马尔科夫链） Monte Carlo（蒙特卡洛法） Gibbs Sampling是MCMC的一种算法 BUGS的运行以MCMC方法为基础，它将所有未知参数都看做随机变量，然后对此种类型的概率模型进行求解。 Gibbs抽样迭代 获得结果 例题：数据取自Crowder1978年论文中的实验 大豆（Bean）和黄瓜（Cucumber）分别置于21个培养皿中分别培养，浸于两种埃及列当（O.aegyptizco75, O.aegyptizco73）根分泌的化感物质稀释液中，发芽的情况如下 r 出芽的个数 n 种子的个数 r/n 出芽率 ri ~ Binomial(ni, pi) logit(pi) = α0 + α1x1i + α2x2i + α12x1ix2i +bi bi ~ Normal(0, τ) x1i是提取物的类型；x2i是种子的类型； α12x1ix2i 是交互项 α0 α1α2α12 是给定的独立的先验参数 模型定义 数据模型——BUGS语言 Doodle 模型——有向图 数据定义 初始值定义 建模 先验分布 贝叶斯模型 model { for( i in 1 : N ) { r[i] ~ dbin(p[i],n[i]) b[i] ~ dnorm(0.0,tau) logit(p[i]) - alpha0 + alpha1 * x1[i] + alpha2 * x2[i] + alpha12 * x1[i] * x2[i] + b[i] } alpha0 ~ dnorm(0.0,1.0E-6) alpha1 ~ dnorm(0.0,1.0E-6) alpha2 ~ dnorm(0.0,1.0E-6) alpha12 ~ dnorm(0.0,1.0E-6) tau ~ dgamma(0.001,0.001) sigma - 1 / sqrt(tau) } ～是给随机变量分布 ＜－是逻辑函数关系 循环语句 ————————ri服从二项分布 ———————bi服从正态分布 ——————1.0E-6=1.0*10-6 —————tau服从伽马函数 ———为sigma赋值，sigma=1/tau2 DOODLE模型 logit(pi) = α0 + α1x1i + α2x2i + α12x1ix2i +bi 数据定义 list(r=c(10,23,23,26,17,5,53,55,32,46,10,8,10,8,23,0,3,22,15,32,3) ,n=c(39,62,81,51,39,6,74,72,51,79,13,16,30,28,45,4,12,41,30,51,7), x1=c(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1), x2=c(0,0,0,0,0,1,1,1,1,1,1,0,0,0,0,0,1,1,1,1,1), N=21) 初始值定义 list(alpha0=0,alpha1=0,alpha2=0,alpha12=0,tau=2) Gibbs抽样迭代 获得结果 模型检验 数据读取 模型编译 初试值设定 模型检测 读取数据和初始值 1.选中模型，单击 2.选中数据list，单击 3.设定马尔科夫链 4.选中一个初始值list，单击一次；如果获取失败,软件可通过gen inits给定初始值 - Model - Specification Tool - Model – Update Tool 5.上传monitor 我的理解：用monitor得到一些样本数据并用于设定Gibbs Sampling的初始值，以便更好地选择参数 已进行的计算次数 Gibbs抽样迭代 6.逐一设定所需变量 本例中包括alpha0、alpha1、alpha2、alpha12、sigma *表示选中所有变量 7.进行迭代的次数 8.输出结果(数据与密度图) 注意：此时不能关闭Update