Di R
kita dapat "bobot sebelumnya" glm
regresi melalui parameter bobot . Sebagai contoh:
glm.D93 <- glm(counts ~ outcome + treatment, family = poisson(), weights=w)
Bagaimana ini bisa dicapai dalam model JAGS
atau BUGS
?
Saya menemukan beberapa makalah yang membahas hal ini, tetapi tidak ada yang memberikan contoh. Saya tertarik terutama ke dalam contoh-contoh Poisson dan regresi logistik.
bayesian
generalized-linear-model
jags
bugs
weighted-regression
pengguna28937
sumber
sumber
Jawaban:
Mungkin terlambat ... tapi,
Harap dicatat 2 hal:
Di Jags, Bugs, Stan, proc MCMC, atau di Bayesian secara umum, kemungkinannya tidak berbeda dari pada frequentm lm atau glm (atau model apa pun), itu sama saja !! Cukup buat "bobot" kolom baru untuk respons Anda, dan tulis kemungkinannya sebagai
Atau poisson tertimbang:
Kode Bugs / Jags ini hanya untuk trik. Anda akan mendapatkan semuanya dengan benar. Jangan lupa untuk terus mengalikan posterior tau dengan bobot, misalnya saat membuat prediksi dan interval kepercayaan / prediksi.
sumber
Pertama, ada baiknya menunjukkan bahwa
glm
tidak melakukan regresi bayesian. Parameter 'bobot' pada dasarnya adalah kependekan dari "proporsi pengamatan," yang dapat diganti dengan pengambilan sampel dataset Anda secara tepat. Sebagai contoh:Jadi, untuk menambah bobot pada poin dalam JAGS atau BUGS, Anda dapat menambah dataset Anda dengan cara yang sama seperti di atas.
sumber
Sudah mencoba menambahkan komentar di atas, tetapi perwakilan saya terlalu rendah.
Sebaiknya
tidak mungkin
dalam JAGS? Saya menjalankan beberapa tes yang membandingkan hasil dari metode ini di JAGS dengan hasil dari regresi tertimbang via lm () dan hanya dapat menemukan yang sesuai dengan yang terakhir. Berikut ini contoh sederhana:
dan dibandingkan dengan
sumber