Python
Java
PHP
IOS
Android
Nodejs
JavaScript
Html5
Windows
Ubuntu
Linux
提取 R 中 lme4 模型随机效应的后验估计和可信区间
我需要提取后验估计和间隔随机效应从我的模型 出于说明目的 与我正在使用的数据集类似的数据集是ChickWeight基础 R 中的数据集 我提取后验估计和区间的方式固定效应就像这样 load package library lme4 mode
r
lme4
confidenceinterval
MCMC
credibleinterval
使用对数标度在 R 中实现随机游走 Metropolis Hastings
Context 我几乎到处寻找 但找不到使用对数尺度的随机游走 Metropolis Hastings 算法的完整实现 通过对数尺度 我的意思是我们正在使用目标分布的对数 通常是后验 为了简单起见 我在这里有一个最小的工作示例R但我也会很高
r
machinelearning
sampling
MCMC
randomwalk
使用 PyMC3 进行贝叶斯概率矩阵分解 (BPMF):使用“NUTS”的 PositiveDefiniteError
我已经实施了贝叶斯概率矩阵分解 https www cs toronto edu amnih papers bpmf pdf算法使用pymc3在Python中 我还实现了它的前身 概率矩阵分解 PMF 看我之前的问题 https stats
Bayesian
MCMC
pymc
pymc3中的多元线性回归
我最近开始学习pymc3专门使用后emcee多年来 我遇到了一些概念问题 我正在练习第七章霍格的数据拟合模型 https arxiv org abs 1008 4686 这涉及到具有任意二维不确定性的直线的 mcmc 拟合 我很容易地完成了
python
statistics
pymc3
MCMC
emcee
在 Python 中加速 Metropolis-Hastings 算法
我有一些使用 MCMC 对后验分布进行采样的代码 特别是黑斯廷斯大都会 https en wikipedia org wiki Metropolis E2 80 93Hastings algorithm 我使用 scipy 生成随机样本 i
python
NumPy
Random
numba
MCMC
PyMC3 中的简单动态模型
我正在尝试在 PyMC3 中构建一个动态系统模型 以推断两个参数 该模型是流行病学中常用的基本SIR dS dt r0 g S I dI dt g I r S 1 其中 r0 和 g 是要推断的参数 到目前为止 我根本无法走得太远 我见过的
python
statistics
montecarlo
pymc
MCMC
如何修复 R2jags::jags 中的“节点与父节点不一致”
我正在使用 R 包 R2jags 运行下面附加的代码后 R 生成错误消息 节点与父节点不一致 我试图解决它 但是 错误消息仍然存在 我使用的变量是 i 采用 0 1 虚拟变量 ii NumInfo 一个计数器变量 其范围为 0 1 2 ii
r
Bayesian
MCMC
jags
r2jags
MCMCglmm 中 “trait” 的意思
Like in 这个帖子 https stats stackexchange com questions 156683 when and why do i have to use trait for multinomial multilev
r
GLM
categoricaldata
multilevel
MCMC
lapply 代替 for 循环进行随机假设检验 r
我有一个看起来像这样的 df set seed 42 ID lt sample 1 30 100 rep T Trait lt sample 0 1 100 rep T Year lt sample 1992 1999 100 rep T
r
tidyverse
MCMC
pymc3:具有多个观察变量的分层模型
我有一个简单的分层模型 其中有很多个体 我有来自正态分布的小样本 这些分布的均值也遵循正态分布 import numpy as np n individuals 200 points per individual 10 means np r
Bayesian
MCMC
pymc3
使用“LKJCorr”先验修改 PyMC3 中的 BPMF:使用“NUTS”的 PositiveDefiniteError
我之前实现了原来的贝叶斯概率矩阵分解 BPMF 模型中pymc3 看我之前的问题供参考 数据源和问题设置 根据 twiecki 对该问题的回答 我使用以下方法实现了该模型的变体LKJCorr相关矩阵的先验和标准差的统一先验 在原始模型中 协
python
Bayesian
pymc
MCMC
pymc3
MCMC抽样算法要点总结
MCMC抽样算法 目的 给定一个已知的概率分布函数 p x 对随机变量 x 进行采样 使其满足 p x 概率分布 原理 一个马尔科夫链 对应的概率转移矩阵为 P 如果其具有 非周期性 且任意两个状态之间都是 连通 的 则不论初始的状态概率分
机器学习
MCMC
抽样
算法
数据生成
数据生成 MATLAB实现MCMC马尔科夫蒙特卡洛模拟的数据生成 目录 数据生成 MATLAB实现MCMC马尔科夫蒙特卡洛模拟的数据生成 生成效果 基本描述 模型描述 程序设计 参考资料 生成效果 基本描述 1 MATLAB实现MCMC马尔
数据生成
MCMC
马尔科夫蒙特卡洛模拟
马尔可夫链蒙特卡洛采样(MCMC)
首先我们要明确的是马尔可夫链蒙特卡洛采样以下简称MCMC xff0c 它首先是个采样方法 1 采样的目的 采样作为任务 xff0c 用于生成新的样本求和 求积分 比如我们知道样本z的后验分布 我们经常会有一个需求 xff0c 得到目标函数f
MCMC
马尔可夫链蒙特卡洛采样