Tylko alternatywy dla BŁĘDÓW [zamknięte]


13

Podążam kursem statystyki bayesowskiej używając BŁĘDÓW i R. Teraz już znam BŁĘDY, to świetnie, ale tak naprawdę nie lubię używać osobnego programu zamiast tylko R.

Czytałem, że w R. jest wiele nowych pakietów bayesowskich. Czy istnieje lista lub odniesienie, które pakiety zawierają statystyki bayesowskie i co one robią? I czy istnieje alternatywa dla pakietu R dla elastyczności BŁĘDÓW?

Odpowiedzi:


8

Możesz spojrzeć na pakiet MCMCglmm , który jest wyposażony w bardzo ładne winiety. Andrew Gelman ma również bayesglm()funkcję dopasowania uogólnionych Bayesowskich modeli liniowych w pakiecie ramienia . Słyszałem także o przyszłej wersji blmer / bglmerfunkcjach modelowania hierarchicznego w tym samym pakiecie.


2
W ramieniu pakietu znajdują się błędy funkcji, które pozwalają na wywoływanie błędów od R. Właśnie tego używam w swoim rearcharchizmie. Na blogu Gelmana jest przykład caling winbugs autorstwa R.
Manoel Galdino


6

Kilka osób, które znam, używa JAGS . Składnia JAGS jest podobna do BŁĘDÓW.


(+1, ale myślę, że OP szuka jakiegoś czystego rozwiązania R.) Działa świetnie z pakietem rjags , ale nadal musimy określić nasz model w składni BŁĘDÓW w pliku zewnętrznym.
chl

5

Po drugie, widok zadań bayesowskich. Dodałbym tylko głos na MCMCpack , dojrzały pakiet oferujący różne modele. W przeważającej części jest również dość dobrze udokumentowany.


0

Wydajność jest głównym powodem, dla którego ludzie używają WinBUGS / OpenBUGS / JAGS vs. pakiety takie jak MCMglmm. Jest bardzo trudno nie praktyczny napisać efektywne próbnik Gibbsa w rodzimej R. Istnieją pakiety, które pozwalają uruchomić modele Bugs od skryptu R, zwłaszcza RBUGS i BUGSParallel .


1
MCMCglammjest złym przykładem, ponieważ „[a] II symulacja jest wykonywana w C / C ++ przy użyciu biblioteki CSparse dla rzadkich systemów liniowych” (patrz streszczenie ).
Bernd Weiss,

1
-1; patrz @Bernd. Większość dojrzałych pakietów używa skompilowanego kodu. Głównym powodem jest fakt, że BUGS i inni są bardziej elastyczni, ponieważ mogą zmieścić więcej modeli. Chociaż może to prowadzić do bardziej wydajnych obliczeń, ponieważ pakiet R - nawet ze skompilowanym kodem - musi być bardziej ogólny, może nie.
JMS

1
MCMCpack wykorzystuje skompilowany kod C / C ++, zoptymalizowany pod kątem danego zadania, dzięki czemu jest w rzeczywistości szybszy niż robienie czegoś w uogólnionym pakiecie, takim jak JAGS (dla konkretnego zadania).
Wayne
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.