Les modèles hiérarchiques bayes sont couramment utilisés dans le marketing, la science politique et les économétrices. Pourtant, le seul paquet que je connaisse est bayesm code>, qui est vraiment un compagnon d'un livre ( statistiques bayésiennes et marketing em>, de Rossi, et al.) Est-ce que je manque quelque chose ? Existe-t-il un package logiciel pour R ou Python qui existe-t-il le travail et / ou un exemple de sortie de panne dans la langue associée? p>
7 Réponses :
Il y a des packages openbugs et r assistant. Découvrez le site de Gelman pour son livre, qui compte la plupart des liens pertinents: P>
sur le côté Python, je ne connais que PYMC: P>
Edit: Ajout d'un lien vers l'annexe appropriée du livre de Gelman, disponible en ligne, pour un exemple en utilisant R et Bugs. p>
Voici quatre livres sur la modélisation hiérarchique et l'analyse bayésienne écrite avec R Code R dans les livres. P>
Modélisation et analyse hiérarchiques pour les données spatiales (monographies sur les statistiques et la probabilité appliquée) (couverture rigide) http://www.amazon.com/gp/product/158488410x p>
Analyse des données à l'aide de modèles de régression et de multiles / hiérarchiques (Paperback) http://www.amazon.com/analysis-regression-multilevel -Hierarchical-modèles / dp / 052168689x / ref = pd_sim_b_1 p>
Calcul de Bayesian avec R (Utilisation R) (Paperback) http://www.amazon.com/bayesian-computeration-r -Utilisation / dp / 0387922970 / REF = pd_bxgy_b_img_c P>
Modélisation hiérarchique pour les sciences de l'environnement: méthodes statistiques et applications (biologie Oxford) (Paperback) (Je suppose que celui-ci a un code R car les deux auteurs utilisent beaucoup) p>
Je connais des livres de Python barboter dans une analyse multivariée (intelligence collective, par exemple), mais je n'ai pas vu de sorte que la modélisation bayésienne ou hiérarchique. P>
Il y a quelques modèles hiérarchiques dans McMcPack pour R, ce qui est à ma connaissance est l'échantillonneur le plus rapide pour de nombreux types de modèles communs. (J'ai écrit la [réponse hiérarchique de l'élément] [2] modèle dedans.) P>
[rjags] [3] fait ce que son nom ressemble à. CODE UP Un modèle de dosage aromatisé à jags, fournissez des données dans R et appelez JAGS de r. P>
Le package LME4, qui estime aux modèles hiérarchiques utilisant des méthodes fréquentistes, a une fonction appelée MCMCSamp qui vous permet d'échantillonner de la distribution postérieure du modèle à l'aide de MCMC. Cela ne fonctionne actuellement que pour les modèles linéaires, malheureusement. P>
en python, essayez PYMC. Il y a un exemple de modélisation multiniveaux avec celui-ci ici: HTTP: // Groupes .google.com / Groupe / PYMC / BROWSE_THREAD / Fil / C6CE37A80EDF7F85 / 1BFD9138C8DB891D P>
J'ajouterais que la PYMC est suffisamment proche pour Winbugs (dans mon expérience) que si vous avez un texte vous apprenant avec des winbugs (ou probablement jags), vous pouvez facilement écrire votre propre code PYMC.
J'applique des modèles hiérarchiques bayes dans R en combinaison avec Jags (Linux) ou parfois des windbugs (Windows ou Wine). Découvrez le livre d'Andrew Gelman, comme indiqué ci-dessus. P>
Cette réponse vient presque dix ans de retard, mais j'espère aider quelqu'un à l'avenir. P>
Le package Le package code> BRMS code> utilise le langage de programmation probabiliste Stan dans le dos pour faire les déductions. Stan utilise des méthodes d'échantillonnage plus avancées que les jagas et les bogues, tels que Hamiltonian Monte Carlo, qui fournit des échantillons plus efficaces et fiables de la distribution postérieure. P>
Si vous souhaitez modéliser des phénomènes plus compliqués, vous pouvez utiliser le package BRMS code> dans R est une très bonne option pour les modèles hiérarchiques / multiniveaux bayésiens, à l'aide d'une syntaxe très similaire au package
LME4 code>. p>
rstan code> pour compiler des modèles STAN à partir de R. Il existe également l'alternative Python
PYSTAN code>. Cependant, afin de le faire, vous devez apprendre à utiliser Stan. P>
De manière générale, celles-ci sont trois victocossiques en informatique, essayez d'éviter. Pardon.
Je suis tellement heureux que les scientifiques informatiques essaient d'éviter le marketing, la SCI poly et les économétrices. S'ils décidaient d'entrer dans ces domaines, je prévois que mon salaire serait coupé en deux par compétition! Mais ce serait un problème économique, je présume. :)