如何解决关于使用R的贝叶斯线性混合效应模型
我已经使用R拟合了以下贝叶斯线性混合效果模型。该分析基于lme4
包中的sleepstudy数据集,而贝叶斯建模已使用Rjags
包来完成。
其中$ \ beta $对应于固定效果,b对应于受试对象特定的随机效果。
我已经使用两种方法拟合了该模型,我想知道这两种方法是否正确。 两种方法的主要区别是如何使用反应变量。 在第一种方法中,反应变量已重塑为矩阵。但是在第二种方法中,我按原样使用了反应变量(作为向量)。
方法1
require(lme4)
require(rjags)
sleepstudy1=sleepstudy
M <- 10
N <- length(unique(sleepstudy1$Subject))
Days <-c(0:9)
Reaction<- matrix(as.numeric(sleepstudy1$Reaction),N,10,byrow=TRUE)
model_string.1 <- "model {
for (i in 1:N) {
#
b0[i,1] <- 0
b0[i,2] <- 0
b[i,1:2] ~ dmnorm(b0[i,1:2],ISigma[,])
for (j in 1:M) {
## Response model ###
Reaction[i,j] ~ dnorm(mu[i,j],tau)
mu[i,j] <- beta[1]+b[i,1] + (beta[2]+b[i,2])*Days[j]
}
}
for (l in 1:2) { beta[l] ~dnorm(0,0.00001) }
#(2) Precision parameters
tau ~dgamma(.01,.01)
sigma.tau <- 1/tau
#(3) Variance-covariance matrix
ISigma[1:2,1:2] ~dwish(R[,],3)
Sigma[1:2,1:2] <- inverse(ISigma[,])
R[1,1] <-1
R[1,2] <-0
R[2,2] <-1
R[2,1] <-0
}"
model3 <- jags.model(textConnection(model_string.1),data = list(Reaction=Reaction,N=N,M=M,Days=Days),n.chains=2)
params <- c('b','beta','Sigma','sigma.tau')
samps.2 <- coda.samples(model3,params,n.iter = 10000)
summary.model.2=summary(window(samps.2,start = burn.in))
Stat.model.2=as.data.frame(summary.model.2$statistics)
方法2
N <- length((sleepstudy1$Subject))
model_string.1 <- "model {
for (i in 1:N) {
b0[i,])
Reaction[i] ~ dnorm(mu[i],tau)
mu[i] <- beta[1]+b[Subject[i],1] + (beta[2]+b[Subject[i],2])*Days[i]
}
for (l in 1:2) { beta[l] ~dnorm(0,.01)
sigma.tau <- 1/tau
ISigma[1:2,1] <-0
}"
model2 <- jags.model(textConnection(model_string.1),data = list(Reaction=sleepstudy1$Reaction,Days=sleepstudy$Days,Subject=sleepstudy$Subject),'sigma.tau')
samps.1 <- coda.samples(model2,n.iter = 10000)
summary.model.1=summary(window(samps.1,start = burn.in))
Stat.model.1=as.data.frame(summary.model.1$statistics)
当我比较结果,尤其是固定效果时,估计值大致相同。但是方差,协方差和随机效应的估计是不同的。所以我想知道这两种方法在编码方面是否正确。特别是方法2是否正确。因为方法2的循环次数较少。
我们非常感谢您的专业知识。
谢谢。
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。