JAGS 随机效应模型预测

Question

我正在尝试使用索引作为响应 (D47)、温度作为预测变量 (Temp) 并考虑离散变量 (Material) 的随机效应来建模贝叶斯回归。我发现了关于非分层回归的非常好的信息，一些帖子甚至包括这些模型的预测策略。尽管如此，我在模型中预测 D47 值时发现了一个显着问题，主要是因为随机截距。

在预测 JAGS 回归期间有什么方法可以处理随机截距？

感谢您的回答，

model1<-"model {
# Priors
mu_int~dnorm(0, 0.0001) # Mean hyperparameter for random intercepts
sigma_int~dunif(0, 100) # SD hyperparameter for random intercepts
tau_int <- 1/(sigma_int*sigma_int)
for (i in 1:n) {
alpha[i]~dnorm(mu_int, tau_int) # Random intercepts
}
beta~dnorm(0, 0.01) # Common slope
sigma_res~dunif(0, 100) # Residual standard deviation
tau_res <- 1/(sigma_res*sigma_res)
# Likelihood
for (i in 1:n) {
mu[i] <- alpha[Mat[i]]+beta*Temp[i] # Expectation
D47[i]~dnorm(mu[i], tau_res) # The actual (random) responses
}
}"

Answer 1

当然，您可以使用随机截距进行预测，您只需将其指定为某种派生量即可。

尝试在模型中添加类似的内容。

for(i in 1:(n)){
D47_pred[i] <- dnorm(mu[i], tau_res)
}

然后跟踪 D47_pred 作为参数。

编辑：

此外，您需要更改为随机截距指定先验的方式。这将需要几个步骤（此处来自 cmets 的更新代码）。

您需要在数据列表中添加一个新常量，它表示向量 Mat 中唯一组的数量。在这种情况下，我将其标记为 M（例如 Mat 中的 4 个组，M = 4）

for (j in 1:(M)){ 
alpha[j] ~ dnorm(mu_int, tau_int) # Random intercepts
}

此规范只是为您的模型生成正确数量的随机截距