如何解释 jags 中的某些语法（n.adapt、update..）？

Posted 2023-02-19

【中文标题】如何解释 jags 中的某些语法（n.adapt、update..）？

【英文标题】：How to interpret some syntax (n.adapt, update..) in jags?

【发布时间】：2016-12-06 16:00:18

【问题描述】：

我对jags中的以下语法感到很困惑，例如，

n.iter=100,000
thin=100
n.adapt=100
update(model,1000,progress.bar = "none")

目前我认为

n.adapt=100 表示您将前 100 次抽奖设置为老化，

n.iter=100,000 表示 MCMC 链有 100,000 次迭代，包括老化，

我已经检查了这个问题的解释很多时间，但仍然不确定我对n.iter 和n.adapt 的解释是否正确以及如何理解update() 和thinning。

谁能给我解释一下？

【问题讨论】：

@colin 嗨，有什么想法吗？

请不要贪图你的标签。这似乎与r 无关，与代码编辑器RStudio 无关。

@Gregor 它确实与 Rstudio 有关。它只是R中的一个包

将一般 R 问题标记为 RStudio 就像将英语语法问题标记为 Microsoft Word 只是因为您碰巧使用该程序进行写作。您也可以使用 Emacs 或 Vim 或 R Gui（或无数其他代码编辑器中的任何一种）来编写 R 代码，而您使用的编辑器与您编写的 R 代码的有效性没有任何关系。

您已使用r2jags 标记您的问题，但R2jags::jags 没有参数n.adapt。如果您使用的是R2jags，则在?R2jags::jags 上都有明确的说明。

【参考方案1】：

这个答案基于 rjags 包，它带有一个 n.adapt 参数。首先我将讨论适应、老化和细化的含义，然后我将讨论语法（我感觉你很清楚老化和细化的含义，但不了解适应；完整的解释可能让这个答案对未来的读者更有用）。

老化 正如您可能从对 MCMC 采样的介绍中了解的那样，MCMC 链中的一些迭代必须作为老化丢弃。这是因为在拟合模型之前，您不知道您是否已在 特征集（具有合理后验概率的区域）内初始化了 MCMC 链。在该区域之外初始化的链需要进行有限（有时很大）次数的迭代才能找到该区域并开始探索它。这一探索时期的 MCMC 样本不是从后验分布中随机抽取的。因此，将每个 MCMC 链的第一部分作为“老化”丢弃是标准的。有几种事后技术可以确定必须丢弃多少链。

变薄 出现了一个单独的问题，因为在除了最简单的模型之外的所有模型中，MCMC 采样算法都会产生连续抽取基本上是自相关的链。因此，基于 MCMC 链的所有迭代（老化后）总结后验可能是不可取的，因为有效的后验样本大小可能比分析师意识到的要小得多（请注意，STAN 的哈密顿蒙特卡洛采样实现显着减少在某些情况下会出现这个问题）。因此，在“细化”链上进行推理是标准的，其中只有一小部分 MCMC 迭代用于推理（例如，仅每五次、十次或一百次迭代，取决于自相关的严重性）。

适应 JAGS 用来对后验进行采样的 MCMC 采样器由影响其精确行为的可调参数控制。适当调整这些参数可以提高采样速度或去相关性。 JAGS 包含自动调整这些参数的机制，并在绘制后验样本时这样做。这个过程称为适应，但它是非马尔可夫的；结果样本不构成马尔可夫链。因此，老化必须在适配后单独进行。用适应期代替老化是不正确的。但是，有时在适应后只需要相对较短的老化。

语法 让我们看一个非常具体的示例（OP 中的代码实际上并未显示n.adapt 或thin 等参数的使用位置）。我们会要求 rjags 以这样一种方式来拟合模型，以便每一步都清晰。

 n.chains = 3
 n.adapt = 1000
 n.burn = 10000
 n.iter = 20000
 thin = 50
 my.model <- jags.model(mymodel.txt, data=X, inits=Y, n.adapt=n.adapt) # X is a list pointing JAGS to where the data are, Y is a vector or function giving initial values
 update(my.model, n.burn)
 my.samples <- coda.samples(my.model, params, n.iter=n.iter, thin=thin) # params is a list of parameters for which to set trace monitors (i.e. we want posterior inference on these parameters)

jags.model() 构建有向无环图，然后针对n.adapt 给出的多次迭代执行适应阶段。 update() 通过在不保存任何后验样本的情况下运行 MCMC 进行 n.burn 迭代，在每条链上执行老化（如果您想检查完整的链并在事后丢弃老化期，请跳过此步骤） . coda.samples()（来自 coda 包）按照 n.iter 指定的迭代次数运行每个 MCMC 链，但它不会保存每个迭代。相反，它只保存第 n 次迭代，其中 n 由 thin 给出。同样，如果您想事后确定细化间隔，则在此阶段无需细化。在这个阶段进行细化的一个优点是尾句语法使得这样做很简单。你不必了解coda.samples()返回的MCMC对象的结构，自己细化。如果 n.iter 非常大，则可以在此阶段实现细化的更大优势。例如，如果自相关真的很糟糕，您可能会运行 200 万次迭代并且只保存每千分之一 (thin=1000)。如果您在这个阶段没有瘦身，您（和您的 RAM）将需要操作具有三个链的对象，每个链包含 200 万个数字。但是通过不断细化，最终的对象每条链中只有 2000 个数字。