其他分享
首页 > 其他分享> > R语言生态学JAGS模拟数据、线性回归、Cormack-Jolly-Seber (CJS) 模型拟合MCMC 估计动物存活率和可视化

R语言生态学JAGS模拟数据、线性回归、Cormack-Jolly-Seber (CJS) 模型拟合MCMC 估计动物存活率和可视化

作者：互联网

原文链接：http://tecdat.cn/?p=24721  

原文出处：拓端数据部落公众号

本文，我通过两个种群生态学家可能感兴趣的例子来说明使用“JAGS”来模拟数据：首先是线性回归，其次是估计动物存活率（公式化为状态空间模型）。

最近，我一直在努力模拟来自复杂分层模型的数据。我现在正在使用 JAGS。

模拟数据 JAGS 很方便，因为你可以使用（几乎）相同的代码进行模拟和推理，并且你可以在相同的环境（即JAGS）中进行模拟研究（偏差、精度、区间覆盖 ）。

线性回归示例

我们首先加载本教程所需的包：

  1.   library(R2jags)
  2.    
  3.    

然后直接切入正题，让我们从线性回归模型生成数据。使用一个 data 块，并将参数作为数据传递。

  1.   data{
  2.   # 似然函数:
  3.   for (i in 1:N){
  4.   y[i] ~ # tau是精度（1/方差）。
  5.    
  6.   }
  7.    

这里， alpha 和 beta 是截距和斜率、 tau 方差的精度或倒数、 y 因变量和 x 解释变量。

我们为用作数据的模型参数选择一些值：

  1.    
  2.   # 模拟的参数
  3.   N # 样本
  4.   x <- 1:N # 预测因子
  5.   alpha # 截距
  6.   beta # 斜率
  7.   sigma# 残差sd
  8.   1/(sigma*sigma) # 精度
  9.   # 在模拟步骤中，参数被当作数据处理
  10.    

现在运行 JAGS; 请注意，我们监控因变量而不是参数，就像我们在进行标准推理时所做的那样：

  1.   # 运行结果
  2.   out

输出有点乱，需要适当格式化：

  1.   # 重新格式化输出
  2.   mcmc(out) 

dim


dat

现在让我们将我们用来模拟的模型拟合到我们刚刚生成的数据中。不再赘述，假设读者熟悉 JAGS 线性回归。

  1.    
  2.   # 用BUGS语言指定模型
  3.   model <-
  4.    
  5.   for (i in 1:N){
  6.   y[i] ~ dnorm(mu[i], tau) # tau是精度(1/方差)
  7.    
  8.    
  9.   alpha 截距
  10.   beta # 斜率
  11.   sigma # 标准差
  12.    
  13.    
  14.   # 数据
  15.   dta <- list(y = dt, N = length(at), x = x)
  16.    
  17.   # 初始值
  18.   inits
  19.    
  20.    
  21.   # MCMC设置
  22.   ni <- 10000
  23.    
  24.    
  25.   # 从R中调用JAGS
  26.   jags()
  27.    

让我们看看结果并与我们用来模拟数据的参数进行比较（见上文）：

  1.   # 总结后验
  2.   print(res)

检查收敛：

  1.   # 追踪图
  2.   plot(res)

绘制回归参数和残差标准差的后验分布：

  1.   # 后验分布
  2.   plot(res)

模拟示例

我现在说明如何使用 JAGS 来模拟来自具有恒定生存和重新捕获概率的模型的数据。我假设读者熟悉这个模型及其作为状态空间模型的公式。

让我们模拟一下！

  1.    
  2.   # 恒定的生存和重新捕获概率
  3.   for (i in 1:nd){
  4.   for (t in f:(on-1)){
  5.    
  6.   #概率
  7.   for (i in 1:nid){
  8.   # 定义潜伏状态和第一次捕获时的观察值
  9.   z[i,f[i] <- 1
  10.   mu2[i,1] <- 1 * z[i,f[i] # 在第一次捕获时检测为1（"以第一次捕获为条件"）。
  11.   # 然后处理以后的情况
  12.   for (t in (f[i]+1):non){
  13.   # 状态进程
  14.   mu1[i,t] <- phi * z
  15.   # 观察过程
  16.   mu2[i,t] <- p * z
  17.    
  18.    

让我们为参数选择一些值并将它们存储在数据列表中：

  1.    
  2.   # 用于模拟的参数
  3.   n = 100 # 个体的数量
  4.   meanhi <- 0.8 # 存活率
  5.   meap <- 0.6 # 重捕率
  6.   data<-list

现在运行 JAGS：

out

格式化输出：

as.mcmc(out)


head(dat)

我只监测了检测和非检测，但也可以获得状态的模拟值，即个人在每种情况下是生是死。你只需要修改对JAGS 的调用 monitor=c("y","x") 并相应地修改输出。

现在我们将 Cormack-Jolly-Seber (CJS) 模型拟合到我们刚刚模拟的数据中，假设参数不变：

  1.    
  2.   # 倾向性和约束
  3.   for (i in 1:nd){
  4.   for (t in f[i]:(nn-1)){
  5.    
  6.    
  7.   mehi ~ dunif(0, 1) # 平均生存率的先验值
  8.   Me ~ dunif(0, 1) # 平均重捕的先验值
  9.   # 概率
  10.   for (i in 1:nd){
  11.   # 定义第一次捕获时的潜伏状态
  12.   z[i]] <- 1
  13.   for (t in (f[i]+1):nions){
  14.   # 状态过程
  15.   z[i,t] ~ dbern(mu1[i,t])
  16.   # 观察过程
  17.   y[i,t] ~ dbern(mu2[i,t])

准备数据：

  1.    
  2.   # 标记的场合的向量
  3.   gerst <- function(x) min(which(x!=0))
  4.   # 数据
  5.   jagta
  1.    
  2.   # 初始值
  3.   for (i in 1:dim]){
  4.   min(which(ch[i,]==1))
  5.   max(which(ch[i,]==1))
  6.    
  7.   function(){list(meaphi, mep , z ) }
  8.    

我们想对生存和重新捕获的概率进行推断：

标准 MCMC 设置：

ni <- 10000

准备运行 JAGS！

  1.   # 从R中调用JAGS
  2.   jags(nin = nb, woy = getwd() )

总结后验并与我们用来模拟数据的值进行比较：

print(cj3)

非常接近！

跟踪图

trplot

后验分布图

denplot

最受欢迎的见解

1.matlab使用贝叶斯优化的深度学习

2.matlab贝叶斯隐马尔可夫hmm模型实现

3.R语言Gibbs抽样的贝叶斯简单线性回归仿真

4.R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归

5.R语言中的Stan概率编程MCMC采样的贝叶斯模型

6.Python用PyMC3实现贝叶斯线性回归模型

7.R语言使用贝叶斯 层次模型进行空间数据分析

8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

9.matlab贝叶斯隐马尔可夫hmm模型实现

标签：Seber,MCMC,模型,Jolly,参数,JAGS,贝叶斯,数据,模拟
来源： https://www.cnblogs.com/tecdat/p/15843753.html