如何解决如何正确编码 MCMCglmm 模型的缩放逆 Wishart 先验?
我正在使用 MCMCglmm()
运行具有两个随机效应的多元模型(4 个响应变量)。我目前正在使用反向 Wishart 先验。
###current set up for prior
prior.miw<-list(R=list(V=diag(4),nu=0.002),G=list(G1=list(V=diag(4),nu=0.002,alpha.mu=c(0,0),alpha.V=diag(4)*1000),G2=list(V=diag(4),#need to repeat to deal with second random effect
nu=0.002,alpha.V=diag(4)*1000)))
根据我的模型,我似乎真的应该先运行一个缩放的逆 Wishart(参见 page 14 of Lemoine 2019)。
我的问题:如何将其变成适合我的 MCMCglmm()
模型的先验?
此外,如果这不是我应该运行的那种先验,请随意权衡。
解决方法
这是一个由两部分组成的问题:
- 对于似然集中在较小值的多元随机效应,我应该使用哪些先验? (我假设这就是您正在寻找默认逆 Wishart 先验的替代方法的原因)[更适合 CrossValidated]
- 哪些在
MCMCglmm
中可用,我如何在那里实现它们? [适合堆栈溢出]
一般的技巧是将协方差矩阵分解为多元分量(相关矩阵或逆相关矩阵或其他东西)和标准差(或逆标准差)的缩放参数向量; Lemoine 建议使用 U(0,100) 作为缩放先验,我认为这很糟糕(为什么是平坦的?我无法访问 Gelman 和 Hill 2007 的确切页面,他们讨论了哪个用于缩放的分布先验......但如果他们真的推荐方差尺度上的均匀分布,我会有点惊讶......)
实际查看您的代码后更新 (!):我认为您在做正确的事情,除了 nu=0.002
似乎非常极端;讨论结束。
这基本上是 MCMCglmm
所做的,但它使用不同的(IMO 更好)选择来进行缩放先验。听起来很可怕:
这些先验都来自非中心缩放 F 分布,这意味着标准差的先验是非中心折叠缩放 t 分布(Gelman,2006)。
但归结为选择四个参数,其中只有两个您真正需要考虑。
-
V
:先验平均方差(或先验平均协方差矩阵,如果您有多元随机效应项)。根据课程笔记,“不失一般性,V 可以设置为 1”(或者在多元模型的情况下,设置为单位矩阵) -
alpha.mu
:我们几乎总是希望它为零(或者在你的例子中,一个零向量);这样标准偏差的先验将是学生 t 分布。 (可能有alpha.mu != 0
的用例,但我从未遇到过。) -
alpha.V
:V
设置为 1(或单位矩阵),这是协方差矩阵的先验均值。对您的问题具有合理规模的对角矩阵是一个不错的选择 -
nu
:形状参数;nu
→ ∞ 我们得到标准差的半正态先验,nu
=1 我们得到柯西分布。值越小,尾部越肥(不太保守/允许更广泛的样本,但也会增加尾部出现奇怪采样行为的危险)。
对于单变量情况,Hadfield 说 V=1
的 t 先验是
2 * dt(sqrt(v)/sqrt(alpha.V),df = nu,ncp = alpha.mu/sqrt(alpha.V))
v
限制为零。
- 如果我们像明智的人一样设置
alpha.mu=0
,则ncp
(非中心性参数)参数为零; - 前面的 2 使密度加倍,因为我们只查看分布的正半部分(“折叠”)
- 除以
sqrt(alpha.V)
意味着我们将 t 分布缩放alpha.V
- 换句话说,我们将通过
sqrt(alpha.V)*abs(rt(1,nu=nu))
从先前的 SD 分布中获取样本
我希望 Hadfield 在 多元 逆-Wishart 案例中给出了一个参数扩展的例子。你在哪里找到你的?
我认为 nu=0.002
是一个危险的选择。为什么?
让你的先验“尽可能平坦”很诱人,但这有两个潜在的不良后果。
- 对于某些情况,例如逆伽玛分布或伽玛分布,小的形状参数也会产生接近零的大尖峰;这就是您在
R=list(V=diag(4),nu=0.002)
之上的残差先验的情况。如果您的数据是有用的(对残差方差的合理猜测),这是可以的,但如果不是,则采样会很糟糕。 - 对于参数扩展的情况,我们没有零尖峰问题(half-Normal、half-t 和 half-Cauchy 在零时是平坦的),但是通过使尾部变胖,你可能允许估算器对真正荒谬(和计算上有问题)的值进行采样。 (同样,如果您的数据信息量很大,这也不是问题。)考虑到
nu=1
的分布对应于柯西分布,其尾部非常肥大以至于其均值是无穷大,然后想象使形状参数小 500 倍 (nu=0.002
) ...
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。