R语言coda贝叶斯MCMC Metropolis-Hastings采样链分析和收敛诊断可视化

作为先决条件,我们将使用几行代码

在代码中,我们创建了一些测试数据,其中因变量 y 线性依赖于自变量 x(预测变量)

由Kaizong Ye,Liao Bao撰写

定义线性模型拟合数据的可能性和先验

并实现一个简单的 Metropolis-Hastings MCMC 从该模型的后验分布中采样。

x = (-(sleze-1)/2):((sple-1)/2)



y =  treA * x + tuB + rnorm(n=sapeize,mean=0,sd=tuSd)

所以,让我们运行 MCMC:

stavalue = c(4,2,8)

cn = rmtrisMCC(avae, 10000)

由 coda 促成的链的一些简单总结

好吧,coda 是一个 R 包,它提供了许多用于绘制和分析后验样本的标准函数。为了使这些功能起作用,您需要将输出作为“mcmc”或“mcmc.list”类的对象,我们将在后面讨论。

拥有一个 coda 对象的好处是我们通常想要用链做的很多事情都已经实现了,所以例如我们可以简单地 summary() 和 plot() 输出

summary(chn)



plot(cn)

自适应网页宽度的 Youku 视频

视频

R语言中RStan贝叶斯层次模型分析示例

探索见解

去bilibili观看

探索更多视频


视频

贝叶斯推断线性回归与R语言预测工人工资数据

探索见解

去bilibili观看

探索更多视频

它提供了一些关于控制台的有用信息和一个大致如下所示的图:

图: 一个 coda 对象的 plot() 函数的结果

plot() 函数的结果:每一行对应一个参数,因此每个参数有两个图。左边的图称为轨迹图——它显示了参数在链运行时所取的值。右图通常称为边际密度图。基本上,它是轨迹图中值的(平滑的)直方图,即参数值在链中的分布。


R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样

阅读文章


边际密度隐藏了相关性

边际密度是参数取值与所有其他“边缘化”参数的平均值,即其他参数根据其后验概率具有任何值。通常,边际密度被视为贝叶斯分析的主要输出(例如,通过报告它们的均值和标准差),但我强烈建议不要进一步分析这种做法。原因是边际密度“隐藏”了参数之间的相关性,如果存在相关性,参数的不确定性在边际中似乎要大得多。


随时关注您喜欢的主题


Plot(data.frame(can))

在我们的例子中,应该没有大的相关性,因为我以这种方式设置了示例

x = (-(samee-1)/2):((smeie-1)/2) + 20

再次运行 MCMC 并检查相关性应该会给你一个完全不同的画面。

图: 不平衡 x 值拟合的边际密度(对角线)、配对密度(下图)和相关系数(上图)

您可以看到第一个和第二个参数(斜率和截距)之间的强相关性,并且您还可以看到每个参数 X2 的边际不确定性增加了。

请注意,我们在这里只检查了配对相关性,可能仍然有更高阶的交互不会出现在这样的分析中,所以你可能仍然遗漏了一些东西。

收敛诊断

现在,到收敛:一个 MCMC 从后验分布创建一个样本,我们通常想知道这个样本是否足够接近后验以用于分析。有几种标准方法可以检查这一点,但我建议使用 Gelman-Rubin 诊断。

结果图应该是这样的

cha2 = runmeooi_MCMC(arvue, 10000)



cominchns = mcmc.list(cai, ain2)



plot(coinchns)

图: 结果

diag 为您提供每个参数的比例缩减因子。因子 1 意味着方差和链内方差相等,较大的值意味着链之间仍然存在显着差异。

改善收敛/混合

那么,如果还没有收敛怎么办?当然,你总是可以让 MCMC 运行更长时间,但另一个选择是让它收敛得更快。可能会发生两件事:

  1. 与我们从中抽样的分布相比,您的提议函数很窄——接受率高,但我们没有得到任何结果,混合不好
  2. 与我们从中抽样的分布相比,您的提议函数太宽了——接受率低,大部分时间我们都呆在原地


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。在此对他对本文所作的贡献表示诚挚感谢,他在上海财经大学完成了统计学专业的硕士学位,专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds