0

これのチュートリアル/例を見つけるのに苦労したので、質問したかったのです:i回測定される変数Xiがあります。追加の測定ごとに、Xの分布の予測がより厳密になることを示したかったのです。もちろん、モデルを 1:2 1:3 1:4 などで再実行し続けることもできますが、これは面倒です。私が気付いていなかった段階的なコーディングがいくつかあることを望んでいました。

#----------------------------------------------------------------------
#THE JAGS MODEL FOR X.
#----------------------------------------------------------------------
modelstring="
model {
#prior
#------------------------------------------------------------------------------

mu_x ~ dnorm(0,1E-12)

sd ~ dunif(0,50)
tau <- sd*sd
prec_x <- 1/tau

#LIKELIHOOD
#------------------------------------------------------------------------------
for (i in 1:total) {
x[i] ~ dnorm(mu_x,prec_x)
}
pred.x ~ dnorm(mu_x,prec_x)
}
"

その時点で利用可能なデータに基づいて、各時点で pred.x を推定するモデルを指定する方法を知っている人はいますか?

4

2 に答える 2

0

単一のモデル ファイルでこれを行うには、予測ごとに異なる mu_x と prec_x を使用する必要があります。これは、少ないデータに基づいている場合、異なる (より拡散した) 事後分布を持つためです。したがって、すべてを j のループでラップし、次のようなものを使用します

for (i in 1:j) { 
  x[i,j] ~ dnorm(mu_x[j],prec_x[j]) 

他のすべてのものに j 個の添え字を付けます。最後に、元の x の複製の行列として x を提供する必要があります。これを容易にするために data{ } ブロックを使用できます (マニュアルのセクション 7.0.4 を参照)。

于 2013-08-15T09:17:29.960 に答える