217. Kullanıcı tanımlı olabilirlik ve öncülle MCMC (Metropolis)
Şablon kimliği: mcmc_ozel_model · Kategori: bayes · Dil: R · Dosya: pro/sablonlar/bayes/mcmc_ozel_model.R (satır 1–245; üstbilgi 1–117) · Örnek veri: _ornek/birthwt.csv · Paketler: MCMCpack 1.7.1, coda 0.19.4.1 (R 4.5.3)
217.1 Ne işe yarar
Şablon, bir log-sonsal yoğunluktan rastgele yürüyüş Metropolis örneklemesi yapar. Hazır üç model vardır (lojistik, Poisson, normal doğrusal); koddaki log_olabilirlik() ve log_oncul() işlevleri değiştirilerek herhangi bir model kurulabilir. Cevapladığı soru: "Bu model ve öncül altında parametrelerin sonsal dağılımı nedir ve zincirler bu dağılıma yakınsadı mı?"
- \ell: log-olabilirlik; p(\boldsymbol\theta): öncül (düz ya da her katsayıya \mathrm N(\mu_0,s^2)).
- \mathbf V: sonsal moddaki Hessian'ın tersi; \tau: öneri ölçeği (
ayar, varsayılan 1). - \boldsymbol\theta': önerilen nokta; kabul olasılığı \min\{1,\ \pi(\boldsymbol\theta'\mid\mathbf y)/\pi(\boldsymbol\theta\mid\mathbf y)\}.
Ne zaman kullanılır?
- Hazır bir pakette bulunmayan bir olabilirlik ya da öncül yazılacaksa ve düşük boyutlu (en çok onlarca parametre) bir model için Metropolis yeterliyse.
- Sonsal ortalamayı sonsal modla (ML) karşılaştırmak, öncülün etkisini görmek ve zincir tanılarını (R-hat, ESS, MC SH) okumak isteniyorsa.
Ne zaman kullanılmaz?
- Karma modeller ve hazır aileler:
brms_cok_duzeyli(Bölüm 216; NUTS). Çok boyutlu ve eşdoğrusal sonsallarda rastgele yürüyüş yavaş karışır. - Model uzayı belirsizliği:
bayes_model_ortalamasi(Bölüm 215).
Temel programla ilişki. Temel programda kullanıcı tanımlı olabilirlikle MCMC yoktur. Yakın analizler: İkili Lojistik Regresyon (en çok olabilirlik ve Wald aralığı; bu şablonun sonsal modu aynı ML kestirimidir), Bayesçi Doğrusal Regresyon (konjugat, analitik sonsal), Bayesçi Aracılık Analizi (Gibbs örnekleyici; zincir sayısı, tohum, R-hat, ESS ve MCSE verir; gui/panels/analyses/bayesian_mediation.py). Temel programdaki tanılar bölünmüş ve sıra normalleştirilmiş R-hat'tır; bu şablonda klasik Gelman–Rubin R-hat'ı (coda) kullanılır.
217.2 Şablonun girdileri
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Yanıt · y (satır 10–14) |
sayısal sütun · Değişkenler | ilk sayısal sütun | sayısal | Yanıt (128–133). |
Açıklayıcı değişkenler · x (15–20) |
sütunlar · Değişkenler | boş | sütunlar | Tasarım matrisi (149). |
Olabilirlik · aile (21–27) |
seçim · Model | lojistik |
lojistik, poisson, normal |
log_olabilirlik (156–162). |
Referans düzeyleri · referans (28–33) |
metin · Model | boş | değişken=düzey; … |
relevel (135–144). |
Katsayı öncülü s · oncul_sd (34–41) |
ondalık · Model | 0 | 0–10⁶ | 0: düz; >0: \mathrm N(\mu_0,s^2) (163–165); açıkken kesişime de uygulandığı çıktıda notlanır (224–225). |
Normal öncül ortalaması · oncul_ort (90–98) |
ondalık · Model | 0 | ±10⁶ | Yalnız s>0. |
Zincir başına yineleme (seyreltmeden önce; kaydedilen = yineleme ÷ seyreltme) · yineleme (42–49) |
tamsayı · Seçenekler | 20000 | 500–2 000 000 | mcmc = (198). Kaydedilen örnek sayısı yineleme ÷ seyreltme'dir; çıktı ikisini birlikte yazar. |
Isınma · isinma (50–57) |
tamsayı · Seçenekler | 2000 | 0–10⁶ | burnin =. |
Seyreltme · seyreltme (58–65) |
tamsayı · Seçenekler | 1 | 1–1000 | thin =. |
Zincir sayısı · zincir (66–73) |
tamsayı · Seçenekler | 3 | 1–8 | Zincir döngüsü (191–206). |
Öneri ölçeği · ayar (74–81) |
ondalık · Gelişmiş | 1 | 0,05–10 | tune =. |
Rastgele sayı tohumu (0 = çalıştırma tohumu) · tohum (82–89) |
tamsayı · Gelişmiş | 1 | 0–2 147 483 647 | tohum_ (193): 0 (ya da boş) ise kod panelindeki çalıştırma tohumu (mq_tohum), o da yoksa 1. set.seed(tohum_) ve zincir i için seed = tohum_ + i − 1 (194, 202); tohum çıktıda yazılır. |
Güvenilir aralık düzeyi · guven (99–107) |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | Kantil sütunları (212–216). |
Sonsal mod için en çok yineleme · maks_yineleme (108–116) |
tamsayı · Gelişmiş | 5000 | 10–10⁶ | BFGS maxit (178–180). |
Şablona özgü denetimler: veri yok (121); yanıt sayısal değil (129); gözlem < açıklayıcı sayısı + 5 (130); lojistikte yanıt 0/1 değil (131); Poisson'da negatif ya da tamsayı olmayan yanıt (132); yanıt sabit (133); referans tanımı değişken=düzey değil ya da değişken/düzey yok (140–142); tek düzeyli faktör ya da sabit sayısal sütun (146–147); tasarım matrisi tam ranklı değil (151); BFGS yakınsamadı (182); Hessian tersinir değil ya da pozitif tanımlı değil (185–187); MCMC hatası (201). Eksik değerli satırlar çıkarılır ve sayıları çıktıda yazılır (124–127, 223). Son üç hata düz öncülde tam ayrışmada çıkar; çözüm bir öncül s'sidir (217.7).
Örnek ayar (satır 9): low ~ age + lwt + race + smoke + ptd + ht + ui + ftv, lojistik, başvuru race=white; öncül düz, 3 zincir × 20 000, ısınma 2000.
217.3 Örnek veri
birthwt.csv: Hosmer ve Lemeshow'un düşük doğum ağırlığı verisi (MASS birthwt; Hosmer ve ark., 2013): 189 doğum, eksik değer yok. low: bebeğin doğum ağırlığı < 2,5 kg (1) ya da değil (0).
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
low |
yanıt | binary | 59 vaka (%31) |
age, lwt |
açıklayıcı | numeric | yaş; annenin gebelik öncesi ağırlığı (libre) |
race |
açıklayıcı | categorical | white, black, other; başvuru white (referans) |
smoke, ptd, ht, ui |
açıklayıcı | binary | sigara, erken doğum öyküsü, hipertansiyon, uterus irritabilitesi (0/1) |
ftv |
açıklayıcı | categorical | 0, 1, 2+ ziyaret; başvuru 0 (ilk düzey) |
İki ikili sütun race ve ftv kategorik, diğerleri sayısal gelir. Başvuru düzeyi, referans boşsa Veri sekmesinin düzey sırasına göre ilk düzeydir (Bölüm 1.3): ftv için 0. Kullanılan çalıştırmalar: örnek (q11_mc_ornek, tohum 1); form tohumu 3; \mathrm N(0{,}2{,}5^2) öncülü; ayar 0,05 ve 10; 500 yineleme ve ısınmasız; 1 ve 8 zincir; seyreltme 10; ölçeklenmiş sütunlar; tam ayrışma verisi; Poisson ve normal modeller (benzetim verisi).
217.4 Yöntem: formüller ve hesap adımları
Şablon sırayla: (1) tasarım matrisini kurar, (2) sonsal modu iki aşamalı BFGS ile bulur ve Hessian'dan \mathbf V'yi çıkarır, (3) her zincir için MCMCmetrop1R ile örnekler, (4) zincirleri codayla özetler.
217.4.1 Modeller
- \eta_i=\mathbf x_i^{\top}\boldsymbol\beta: doğrusal belirteç; kesişim tasarım matrisinin ilk sütunudur.
- \lambda=\log\sigma: normal modelde ek parametre (
log_sigma); üzerinde öncül yoktur.
Öncül: oncul_sd = 0 ise \log p=0 (düz, uygunsuz); aksi hâlde \log p=\sum_j\log\mathrm N(\beta_j;\mu_0,s^2) ve kesişim de dahildir (satır 163–165); çıktı bunu not eder.
Öncül ve ölçek bağımlılığı
Aynı \mathrm N(0,s^2) her katsayıya, kesişim dahil, ham ölçekte uygulanır ve yordayıcılar merkezlenmez; kesişim "tüm yordayıcılar 0" noktasındaki değerdir. s=1 iken kesişim modu 0{,}823\to0{,}369 olur ve yaş eğimi -0{,}0372\to-0{,}0275 ile kilo eğimi -0{,}0157\to-0{,}0117 ile bunu telafi eder. Düz öncül uygunsuzdur; tam ayrışmada sonsal uygunsuz olur (217.7).
217.4.2 Sonsal mod, Hessian ve öneri
Mod, ölçeklenmiş BFGS ile iki geçişte bulunur (parscale = sütun SS'sinin tersi; ikinci geçişte reltol 10^{-14}, ndeps 10^{-5}); düz öncülde mod ML kestirimidir. \mathbf V=(-\mathbf H)^{-1}, \mathbf H moddaki sayısal Hessian. Öneri kovaryansı \tau^2\mathbf V'dir: ayar büyüdükçe adımlar büyür ve kabul oranı düşer (örnekte ayar 0,05: kabul %94; 1: %14; 10: %0).
217.4.3 Zincirler ve tanılar
Zincir 1 modda başlar; öteki zincirler \hat{\boldsymbol\theta}+0{,}5\,\mathbf L\mathbf z (\mathbf L\mathbf L^{\top}=\mathbf V, \mathbf z\sim\mathrm N(\mathbf 0,\mathbf I)) noktasından. Özetler:
- ESS:
coda::effectiveSize(zincirler toplamı); SS: tüm zincirlerin birleşik standart sapması. - W: zincir içi, B: zincirler arası varyans; \widehat R Gelman–Rubin kestirimi (
autoburnin = FALSE, çok değişkenli değil). - Uyarılar: \widehat R>1{,}05; ESS <400; kabul oranı 0{,}1–0{,}6 dışında.
Koddaki tercih
MCMCmetrop1R(logfun = TRUE, force.samp = TRUE, verbose = 0); zincir i için seed = tohum_ + i − 1, ayrıca set.seed(tohum_) bir kez (192–194); tohum_ alan değeri 0 (ya da boş) ise çalıştırma tohumudur. Kantil sütunları quantile ile (tip 7). guven ≠ 0,95 ise sütun adları Q_{100\cdot\text{alt}} olarak değişir (örn. Q5, Q95).
217.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 118–133 | Paketler, veri ve yanıt denetimi; eksik satırlar çıkarılır (sayısı tutulur). | Poisson yanıtı tamsayı olmalı. |
| 134–151 | Referans ayrıştırma, faktör düzeyleri, model.matrix, rank denetimi. |
Faktörler dummy; referans yanlışsa hata. |
| 152–169 | log_olabilirlik, log_oncul, log_sonsal. |
Sonlu olmayan değer −1e300 olur. |
| 171–189 | Başlangıç, iki geçişli BFGS, Hessian ve \mathbf V; sonsal mod tablosu. | Ayrışmada burada durur. |
| 191–206 | Çalıştırma tohumu, zincir döngüsü; kabul oranı ekrandan okunur. | Kabul oranı çıktı metnindendir. |
| 207–217 | mcmc.list, ESS, MCSE, R-hat, özet tablo. |
Tek zincirde R-hat boş. |
| 218–228 | Zincir bilgisi (kayıt sayısı, yineleme ÷ seyreltme, tohum), eksik satır, tek zincir ve öncül notları, uyarılar (tıkanmış zincir dahil). | |
| 230–245 | İz ve yoğunluk grafikleri (4 parametre/şekil). |
217.6 Elle hesap: örnek veride bağımsız yeniden hesap
dogrulama/mcmc_ozel_model/elle_hesap.py (numpy; optim, MCMCpack ve şablon kodu yok) ve r_dogrulama.R (glm/lm, MCMClogit, MCMCmetrop1R doğrudan) kullanıldı.
Adım 1 — Sonsal mod. Newton–Raphson ile lojistik ML: kesişim 0{,}82302, yaş -0{,}037234, kilo -0{,}015653, raceblack 1{,}1924, ptd 1{,}3438, ht 1{,}9132. Şablonun sonsal modu ve glm ile 10^{-5} içinde aynıdır.
Adım 2 — Hessian SH. Çözümsel gözlenen bilgiden: kesişim 1{,}2447, yaş 0{,}0387, kilo 0{,}00708; şablonun sayısal Hessian'ıyla 2{\cdot}10^{-5} içinde.
Adım 3 — MCMCmetrop1R doğrudan. Aynı tohum, ayar ve \mathbf V ile doğrudan çağrıda sonsal ortalamalar, R-hat ve ESS şablonunkinin birebir aynısıdır; şablon belirlenimcidir.
Adım 4 — Bağımsız örnekleyiciler. Ayrı tohum ve uyarlamalı öneri kovaryansıyla yazılan Metropolis (3 × 50 000) ve MCMClogit (farklı Metropolis uygulaması), 11 sonsal ortalamada dört Monte Carlo SH içinde şablonla uyuşur (örn. kesişim: 0{,}9591; 0{,}9550; 1{,}0216). Sonsal ortalama sonsal moddan farklıdır (kesişim 0{,}959 ↔ 0{,}823): düz öncülde sonsal çarpıktır.
Adım 5 — Öteki modeller ve öncül. Poisson ve normal modellerin modları ve Hessian SH'leri Newton ve glm/lm ile 10^{-4} içinde aynıdır (normal: \log\hat\sigma=0{,}2526). \mathrm N(0{,}2{,}5^2) öncüllü mod (0{,}66488 kesişim) bağımsız Newton ve R optim ile 10^{-4} içinde uyuşur.
217.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | Ölçüt | |
|---|---|---|---|---|---|---|
| Sonsal mod (Intercept) (ML) | 0,82301899 | 0,82301899 | 0,82301896 | 3,6e−8 | 1e−5 | ✓ |
| Sonsal mod age (ML) | −0,03723429 | −0,03723429 | −0,03723429 | 1,9e−9 | 1e−5 | ✓ |
| Sonsal mod lwt (ML) | −0,01565301 | −0,01565301 | −0,01565301 | 2,0e−10 | 1e−5 | ✓ |
| Sonsal mod raceblack (ML) | 1,19241323 | 1,19241323 | 1,19241321 | 1,6e−8 | 1e−5 | ✓ |
| Sonsal mod raceother (ML) | 0,7406849 | 0,7406849 | 0,74068488 | 1,8e−8 | 1e−5 | ✓ |
| Sonsal mod smoke (ML) | 0,75552839 | 0,75552839 | 0,75552837 | 1,8e−8 | 1e−5 | ✓ |
| Sonsal mod ptd (ML) | 1,34376339 | 1,34376339 | 1,34376338 | 9,8e−9 | 1e−5 | ✓ |
| Sonsal mod ht (ML) | 1,91316588 | 1,91316588 | 1,91316586 | 1,2e−8 | 1e−5 | ✓ |
| Sonsal mod ui (ML) | 0,68019548 | 0,68019548 | 0,68019548 | 2,4e−9 | 1e−5 | ✓ |
| Sonsal mod ftv1 (ML) | −0,43637968 | −0,43637968 | −0,43637967 | 6,3e−9 | 1e−5 | ✓ |
| Sonsal mod ftv2+ (ML) | 0,17900853 | 0,17900853 | 0,17900852 | 7,4e−9 | 1e−5 | ✓ |
| Hessian SH (Intercept) | 1,24473805 | 1,24476058 | 1,24471433 | 1,9e−5 | 1e−4 | ✓ |
| Hessian SH age | 0,03870401 | 0,03870424 | 0,03870238 | 1,6e−6 | 1e−4 | ✓ |
| Hessian SH lwt | 0,00708064 | 0,00708073 | 0,00708041 | 2,3e−7 | 1e−4 | ✓ |
| Hessian SH raceblack | 0,53598157 | 0,53598064 | 0,53596458 | 1,7e−5 | 1e−4 | ✓ |
| Hessian SH raceother | 0,46176577 | 0,46176535 | 0,46174434 | 2,1e−5 | 1e−4 | ✓ |
| Hessian SH smoke | 0,42503604 | 0,42503534 | 0,42501665 | 1,9e−5 | 1e−4 | ✓ |
| Hessian SH ptd | 0,48063346 | 0,48063375 | 0,4806207 | 1,3e−5 | 1e−4 | ✓ |
| Hessian SH ht | 0,72075638 | 0,72075835 | 0,72073686 | 2,0e−5 | 1e−4 | ✓ |
| Hessian SH ui | 0,46435029 | 0,46434974 | 0,46434032 | 1,0e−5 | 1e−4 | ✓ |
| Hessian SH ftv1 | 0,47940989 | 0,47941053 | 0,47939359 | 1,6e−5 | 1e−4 | ✓ |
| Hessian SH ftv2+ | 0,45638986 | 0,45639014 | 0,45637777 | 1,2e−5 | 1e−4 | ✓ |
| Sonsal ortalama (Intercept): şablon ↔ MCMCmetrop1R doğrudan | 0,95911098 | — | 0,95911098 | 0 | 1e−6 | ✓ |
| Sonsal ortalama age: şablon ↔ MCMCmetrop1R doğrudan | −0,03962706 | — | −0,03962706 | 0 | 1e−6 | ✓ |
| Sonsal ortalama lwt: şablon ↔ MCMCmetrop1R doğrudan | −0,01726617 | — | −0,01726617 | 0 | 1e−6 | ✓ |
| Sonsal ortalama raceblack: şablon ↔ MCMCmetrop1R doğrudan | 1,27753295 | — | 1,27753295 | 0 | 1e−6 | ✓ |
| Sonsal ortalama raceother: şablon ↔ MCMCmetrop1R doğrudan | 0,79123683 | — | 0,79123683 | 0 | 1e−6 | ✓ |
| Sonsal ortalama smoke: şablon ↔ MCMCmetrop1R doğrudan | 0,80237632 | — | 0,80237632 | 0 | 1e−6 | ✓ |
| Sonsal ortalama ptd: şablon ↔ MCMCmetrop1R doğrudan | 1,4381856 | — | 1,4381856 | 0 | 1e−6 | ✓ |
| Sonsal ortalama ht: şablon ↔ MCMCmetrop1R doğrudan | 2,06504374 | — | 2,06504374 | 0 | 1e−6 | ✓ |
| Sonsal ortalama ui: şablon ↔ MCMCmetrop1R doğrudan | 0,71723062 | — | 0,71723062 | 0 | 1e−6 | ✓ |
| Sonsal ortalama ftv1: şablon ↔ MCMCmetrop1R doğrudan | −0,48764737 | — | −0,48764737 | 0 | 1e−6 | ✓ |
| Sonsal ortalama ftv2+: şablon ↔ MCMCmetrop1R doğrudan | 0,1849588 | — | 0,1849588 | 0 | 1e−6 | ✓ |
| R-hat (Intercept): şablon ↔ coda doğrudan | 1,00194477 | — | 1,00194477 | 0 | 1e−6 | ✓ |
| ESS (Intercept): şablon ↔ coda doğrudan | 1515,32553359 | — | 1515,32553359 | 0 | 1e−6 | ✓ |
| R-hat age: şablon ↔ coda doğrudan | 1,00309945 | — | 1,00309945 | 0 | 1e−6 | ✓ |
| ESS age: şablon ↔ coda doğrudan | 1468,04265306 | — | 1468,04265306 | 0 | 1e−6 | ✓ |
| R-hat lwt: şablon ↔ coda doğrudan | 1,00233736 | — | 1,00233736 | 0 | 1e−6 | ✓ |
| ESS lwt: şablon ↔ coda doğrudan | 1546,63468583 | — | 1546,63468583 | 0 | 1e−6 | ✓ |
| R-hat raceblack: şablon ↔ coda doğrudan | 1,0002635 | — | 1,0002635 | 0 | 1e−6 | ✓ |
| ESS raceblack: şablon ↔ coda doğrudan | 1473,62278006 | — | 1473,62278006 | 0 | 1e−6 | ✓ |
| R-hat raceother: şablon ↔ coda doğrudan | 1,00282084 | — | 1,00282084 | 0 | 1e−6 | ✓ |
| ESS raceother: şablon ↔ coda doğrudan | 1502,84201387 | — | 1502,84201387 | 0 | 1e−6 | ✓ |
| R-hat smoke: şablon ↔ coda doğrudan | 1,00391015 | — | 1,00391015 | 0 | 1e−6 | ✓ |
| ESS smoke: şablon ↔ coda doğrudan | 1520,88942198 | — | 1520,88942198 | 0 | 1e−6 | ✓ |
| R-hat ptd: şablon ↔ coda doğrudan | 1,00115008 | — | 1,00115008 | 0 | 1e−6 | ✓ |
| ESS ptd: şablon ↔ coda doğrudan | 1423,53652526 | — | 1423,53652526 | 0 | 1e−6 | ✓ |
| R-hat ht: şablon ↔ coda doğrudan | 1,00268353 | — | 1,00268353 | 0 | 1e−6 | ✓ |
| ESS ht: şablon ↔ coda doğrudan | 1342,05377779 | — | 1342,05377779 | 0 | 1e−6 | ✓ |
| R-hat ui: şablon ↔ coda doğrudan | 1,00006751 | — | 1,00006751 | 0 | 1e−6 | ✓ |
| ESS ui: şablon ↔ coda doğrudan | 1493,49777251 | — | 1493,49777251 | 0 | 1e−6 | ✓ |
| R-hat ftv1: şablon ↔ coda doğrudan | 1,00173369 | — | 1,00173369 | 0 | 1e−6 | ✓ |
| ESS ftv1: şablon ↔ coda doğrudan | 1505,68823252 | — | 1505,68823252 | 0 | 1e−6 | ✓ |
| R-hat ftv2+: şablon ↔ coda doğrudan | 1,00138533 | — | 1,00138533 | 0 | 1e−6 | ✓ |
| ESS ftv2+: şablon ↔ coda doğrudan | 1495,01856154 | — | 1495,01856154 | 0 | 1e−6 | ✓ |
| Sonsal ortalama (Intercept): şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | 0,95911098 | 0,9549795 | — | 4,1e−3 | 2e−1 | ✓ |
| Sonsal ortalama age: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | −0,03962706 | −0,04021123 | — | 5,8e−4 | 5e−3 | ✓ |
| Sonsal ortalama lwt: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | −0,01726617 | −0,01710623 | — | 1,6e−4 | 9e−4 | ✓ |
| Sonsal ortalama raceblack: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | 1,27753295 | 1,2608639 | — | 1,3e−2 | 5e−2 | ✓ |
| Sonsal ortalama raceother: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | 0,79123683 | 0,79977527 | — | 8,5e−3 | 6e−2 | ✓ |
| Sonsal ortalama smoke: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | 0,80237632 | 0,80097057 | — | 1,4e−3 | 5e−2 | ✓ |
| Sonsal ortalama ptd: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | 1,4381856 | 1,44198045 | — | 2,6e−3 | 4e−2 | ✓ |
| Sonsal ortalama ht: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | 2,06504374 | 2,05760623 | — | 3,6e−3 | 5e−2 | ✓ |
| Sonsal ortalama ui: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | 0,71723062 | 0,70244566 | — | 1,5e−2 | 6e−2 | ✓ |
| Sonsal ortalama ftv1: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | −0,48764737 | −0,49325812 | — | 5,6e−3 | 6e−2 | ✓ |
| Sonsal ortalama ftv2+: şablon ↔ bağımsız Metropolis (ölçüt 4 MC SH) | 0,1849588 | 0,18354121 | — | 1,4e−3 | 6e−2 | ✓ |
| Sonsal ortalama (Intercept): şablon ↔ MCMClogit (ölçüt 4 MC SH) | 0,95911098 | — | 1,02160899 | 6,2e−2 | 2e−1 | ✓ |
| Sonsal ortalama age: şablon ↔ MCMClogit (ölçüt 4 MC SH) | −0,03962706 | — | −0,04152236 | 1,9e−3 | 6e−3 | ✓ |
| Sonsal ortalama lwt: şablon ↔ MCMClogit (ölçüt 4 MC SH) | −0,01726617 | — | −0,01735955 | 9,3e−5 | 1e−3 | ✓ |
| Sonsal ortalama raceblack: şablon ↔ MCMClogit (ölçüt 4 MC SH) | 1,27753295 | — | 1,2452327 | 2,5e−2 | 7e−2 | ✓ |
| Sonsal ortalama raceother: şablon ↔ MCMClogit (ölçüt 4 MC SH) | 0,79123683 | — | 0,77758244 | 1,4e−2 | 7e−2 | ✓ |
| Sonsal ortalama smoke: şablon ↔ MCMClogit (ölçüt 4 MC SH) | 0,80237632 | — | 0,79202532 | 1,0e−2 | 7e−2 | ✓ |
| Sonsal ortalama ptd: şablon ↔ MCMClogit (ölçüt 4 MC SH) | 1,4381856 | — | 1,44038125 | 1,5e−3 | 5e−2 | ✓ |
| Sonsal ortalama ht: şablon ↔ MCMClogit (ölçüt 4 MC SH) | 2,06504374 | — | 2,10707645 | 2,0e−2 | 6e−2 | ✓ |
| Sonsal ortalama ui: şablon ↔ MCMClogit (ölçüt 4 MC SH) | 0,71723062 | — | 0,70534605 | 1,2e−2 | 7e−2 | ✓ |
| Sonsal ortalama ftv1: şablon ↔ MCMClogit (ölçüt 4 MC SH) | −0,48764737 | — | −0,49215734 | 4,5e−3 | 7e−2 | ✓ |
| Sonsal ortalama ftv2+: şablon ↔ MCMClogit (ölçüt 4 MC SH) | 0,1849588 | — | 0,18716981 | 2,2e−3 | 7e−2 | ✓ |
| Sonsal mod (Intercept), öncül N(0, 2,5²) | 0,6648815 | 0,6648815 | 0,66491924 | 3,8e−5 | 1e−4 | ✓ |
| Sonsal mod age, öncül N(0, 2,5²) | −0,03417903 | −0,03417903 | −0,0341798 | 7,8e−7 | 1e−4 | ✓ |
| Sonsal mod lwt, öncül N(0, 2,5²) | −0,01453548 | −0,01453548 | −0,01453564 | 1,6e−7 | 1e−4 | ✓ |
| Sonsal mod raceblack, öncül N(0, 2,5²) | 1,12812516 | 1,12812516 | 1,12812671 | 1,4e−6 | 1e−4 | ✓ |
| Sonsal mod raceother, öncül N(0, 2,5²) | 0,71784663 | 0,71784663 | 0,71784487 | 1,8e−6 | 1e−4 | ✓ |
| Sonsal mod smoke, öncül N(0, 2,5²) | 0,74158053 | 0,74158053 | 0,74158004 | 4,9e−7 | 1e−4 | ✓ |
| Sonsal mod ptd, öncül N(0, 2,5²) | 1,29286072 | 1,29286072 | 1,29286307 | 1,8e−6 | 1e−4 | ✓ |
| Sonsal mod ht, öncül N(0, 2,5²) | 1,7436664 | 1,7436664 | 1,74367304 | 3,8e−6 | 1e−4 | ✓ |
| Sonsal mod ui, öncül N(0, 2,5²) | 0,6613288 | 0,6613288 | 0,66132776 | 1,0e−6 | 1e−4 | ✓ |
| Sonsal mod ftv1, öncül N(0, 2,5²) | −0,41746086 | −0,41746086 | −0,41746039 | 4,7e−7 | 1e−4 | ✓ |
| Sonsal mod ftv2+, öncül N(0, 2,5²) | 0,1554384 | 0,1554384 | 0,15544107 | 2,7e−6 | 1e−4 | ✓ |
| Poisson sonsal mod (Intercept) | 0,44984114 | 0,44984072 | 0,44984072 | 4,2e−7 | 1e−5 | ✓ |
| Poisson Hessian SH (Intercept) | 0,08783598 | 0,08783592 | 0,08783578 | 2,0e−7 | 1e−4 | ✓ |
| Poisson sonsal mod x1 | 0,34589293 | 0,34589297 | 0,34589297 | 4,4e−8 | 1e−5 | ✓ |
| Poisson Hessian SH x1 | 0,04670701 | 0,04670701 | 0,04670696 | 4,2e−8 | 1e−4 | ✓ |
| Poisson sonsal mod kata | 0,44512263 | 0,44512281 | 0,44512281 | 1,9e−7 | 1e−5 | ✓ |
| Poisson Hessian SH kata | 0,11544276 | 0,11544273 | 0,11544261 | 1,5e−7 | 1e−4 | ✓ |
| Poisson sonsal mod katb | 0,317831 | 0,31783137 | 0,31783137 | 3,6e−7 | 1e−5 | ✓ |
| Poisson Hessian SH katb | 0,10994395 | 0,10994386 | 0,10994374 | 2,1e−7 | 1e−4 | ✓ |
| Normal sonsal mod (Intercept) | −0,30544642 | −0,30544637 | −0,30544637 | 5,6e−8 | 1e−5 | ✓ |
| Normal sonsal mod x1 | 0,42798408 | 0,42798408 | 0,42798408 | 1,7e−9 | 1e−5 | ✓ |
| Normal sonsal mod kata | 0,68141914 | 0,68141911 | 0,68141911 | 3,5e−8 | 1e−5 | ✓ |
| Normal sonsal mod katb | 0,50804291 | 0,50804287 | 0,50804287 | 4,4e−8 | 1e−5 | ✓ |
| Normal sonsal mod log σ | 0,25257752 | 0,25257751 | 0,25257751 | 1,8e−8 | 1e−5 | ✓ |
| Normal Hessian SH (Intercept) | 0,14395773 | 0,14395735 | — | 3,7e−7 | 1e−4 | ✓ |
| Normal Hessian SH x1 | 0,08422318 | 0,08422317 | — | 4,4e−9 | 1e−4 | ✓ |
| Normal Hessian SH kata | 0,21606394 | 0,21606368 | — | 2,5e−7 | 1e−4 | ✓ |
| Normal Hessian SH katb | 0,19492439 | 0,194924 | — | 3,9e−7 | 1e−4 | ✓ |
| Normal Hessian SH log_sigma | 0,04564355 | 0,04564355 | — | 4,9e−9 | 1e−4 | ✓ |
Ölçütü karşılayan: 106/106. Bağımsız Python: sonsal modu Newton–Raphson ile, Hessian SH'sini çözümsel gözlenen bilgiden hesaplar; lojistik model için ayrı tohumlu uyarlamalı rastgele yürüyüş Metropolis (3 zincir × 50 000; öneri kovaryansı deneme zincirinden). Bağımsız R: glm ve lm ile en çok olabilirlik, MCMCpack::MCMClogit (ayrı Metropolis uygulaması), MCMCmetrop1R'ın şablon sarmalayıcısı olmadan aynı tohum ve ayarla doğrudan çağrısı. Düz öncülde sonsal mod ML'ye eşittir. Sayısal Hessian ve öncüllü mod satırlarında ölçüt 10⁻⁴'tür (BFGS ve sonlu fark toleransı). Ortalamalar için iki örnekleyicinin Monte Carlo SH'si kullanılır.
217.7 Çıktıyı okuma
Örnek ayar, tohum 1 (q11_mc_ornek):
parametre sonsal_mod SH_Hessian
(Intercept) 0.82302 1.2447
age -0.037234 0.038704
lwt -0.015653 0.0070806
raceblack 1.1924 0.53598
raceother 0.74068 0.46177
smoke 0.75553 0.42504
ptd 1.3438 0.48063
ht 1.9132 0.72076
ui 0.6802 0.46435
ftv1 -0.43638 0.47941
ftv2+ 0.17901 0.45639
parametre ortalama SS MC_SH Q2.5 medyan Q97.5 ESS R_hat
(Intercept) 0.95911 1.3032 0.033477 -1.538 0.94373 3.552 1515.3 1.0019
age -0.039627 0.040971 0.0010693 -0.12078 -0.03937 0.041225 1468 1.0031
lwt -0.017266 0.0072219 0.00018364 -0.031652 -0.017166 -0.0035799 1546.6 1.0023
raceblack 1.2775 0.5679 0.014794 0.20143 1.2533 2.4099 1473.6 1.0003
raceother 0.79124 0.47985 0.012378 -0.13343 0.78062 1.7555 1502.8 1.0028
smoke 0.80238 0.44188 0.011331 -0.031552 0.79291 1.6924 1520.9 1.0039
ptd 1.4382 0.50567 0.013402 0.46241 1.4365 2.4366 1423.5 1.0012
ht 2.065 0.78768 0.021501 0.62095 2.0295 3.6861 1342.1 1.0027
ui 0.71723 0.48437 0.012533 -0.21764 0.71422 1.6477 1493.5 1.0001
ftv1 -0.48765 0.4962 0.012788 -1.4668 -0.48489 0.48757 1505.7 1.0017
ftv2+ 0.18496 0.47117 0.012186 -0.75288 0.18087 1.0942 1495 1.0014
3 zincir × 20000 kayıt (zincir başına 20000 yineleme ÷ seyreltme 1; ısınma 2000); tohum 1; Metropolis kabul oranları: 0,138; 0,144; 0,132
Şekil 217.1. Şablonun iz ve yoğunluk grafikleri, ilk dört parametre (kesişim, yaş, kilo, `raceblack`); üç zincir.

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
sonsal_mod, SH_Hessian |
Sonsal mod ve Hessian SH'si. | Düz öncülde ML ve Wald SH; MCMC'ye başlangıç ve öneri. |
ortalama, SS, medyan |
Sonsal özetler. | Ortalama–medyan farkı çarpıklık gösterir (kesişim 0{,}959 ↔ 0{,}944). |
MC_SH |
\mathrm{SS}/\sqrt{\mathrm{ESS}}. | Ortalamanın Monte Carlo hatası; raporlanan basamağın altında olmalı. |
Q2.5, Q97.5 |
Eşit kuyruklu aralık. | Kantil aralığıdır, HPD değildir; 0'ı içermeyen: lwt, raceblack, ptd, ht. |
ESS |
Etkin örneklem. | \ge400; örnekte 1342–1547 (60 000 örnekten, kabul %14). |
R_hat |
Gelman–Rubin. | <1{,}05 (burada \le1{,}0039); 1 zincirde boştur. |
| Kabul oranları | Metropolis kabul. | 0{,}1–0{,}6 aralığı beklenir (0,13–0,14). |
Yorum örneği. raceblack sonsal ortalaması 1{,}2775: siyah annelerde düşük doğum ağırlığının lojit ölçeğinde beyazlardan 1{,}28 fazla (\exp=3{,}59; %95: 0{,}20–2{,}41 lojit). Tanı durumunun okunması. Kısa zincir (500 kayıt, ısınmasız; kisa): R-hat 1{,}15, ESS 31; uyarılar çıkar. ayar = 0,05: kabul %94, ESS 28–58. ayar = 10: kabul %0, ESS 0, R-hat inf; tablo yine yazılır, ama "kabul oranı 0,01'in altında; zincir tıkanmış olabilir" uyarısı çıkar. Tam ayrışma (ayrisma): düz öncülde "Sonsal moddaki Hessian tersinir değil … bir öncül s'si verin" hatası; s=5 ile çalışır (kesişim 0{,}60, x_1 eğimi 11{,}2; kabul %46). Tohum: form tohum 1 (varsayılan) iken panel tohumu etkisizdir; form tohum 0 verilirse panel tohumu kullanılır; tohum çıktıda yazılır. Seyreltme: yineleme = 5000, seyreltme = 10 yalnız 500 kayıt verir; çıktı "3 zincir × 500 kayıt (zincir başına 5000 yineleme ÷ seyreltme 10; …)" yazar.
Rapor cümlesi: "Düşük doğum ağırlığı, düz öncüllü Bayesci lojistik regresyonla çözümlenmiştir (rastgele yürüyüş Metropolis; MCMCpack 1.7.1; 3 zincir × 20 000 kayıt, ısınma 2000). Sonsal ortalama (%95 kantil aralığı): siyah ırk 1{,}28 (0{,}20–2{,}41), hipertansiyon 2{,}07 (0{,}62–3{,}69), annenin kilosu (libre başına) -0{,}0173 (-0{,}0317–-0{,}0036); Gelman–Rubin \widehat R\le1{,}004, en küçük etkin örneklem 1342."
217.8 Sık hatalar ve tuzaklar
- Tanıya bakmadan özet yazmak. Tablo tanılarla birlikte yazılır, ama uyarı metindir; tıkanmış zincir de özet üretir (uyarı verir).
- Kabul oranını gözetmemek. Öneri ölçeğini 0,1–0,6 kabul bandına getirin.
- Düz öncülle tam ayrışma. Hessian tersinmez; bir öncül s'si verin. Küçük s sonucu belirler.
- Öncülün kesişime de uygulandığını unutmak. Çıktıdaki nota bakın; yordayıcıları merkezleyin ya da s'yi büyük seçin.
yinelemeveseyreltme. Kaydedilen örnek yineleme ÷ seyreltme'dir.- Tek zincir. R-hat yoktur; şablon bunu not eder.
- Panel tohumuna güvenmek. Form
tohum1 iken etkisizdir; 0 yaparsanız panel tohumu kullanılır. - Eksik satırlar atılır; sayısı çıktıda yazılır.
- Çok boyutlu sonsal. Rastgele yürüyüş, korelasyonlu çok sayıda parametrede ESS'yi çok düşürür.
217.9 Uzman soruları
S1. Sonsal mod neden ML'ye eşittir?
Düz öncülde \log\pi=\ell+\text{sabit}'tir; \pi'yi en büyükleyen nokta olabilirliği en büyükleyendir. Sonsal ortalama ise çarpık sonsalda moddan ayrılır (kesişim 0{,}959 ↔ 0{,}823).
S2. Öneri ölçeği 1 neden uygun değil gibi görünüyor?
Rastgele yürüyüşte yaklaşık 2{,}38/\sqrt d ölçek en uygundur (Roberts ve ark., 1997); d=11'de bu 0{,}72'dir. Burada ayar = 1 kabul %14 verir; ESS yeterli (>1300) olduğundan yeterlidir.
S3. R-hat 1,05 eşiği yeterli mi?
Gelman–Rubin klasik tanıdır; güncel öneri \widehat R<1{,}01 ve sıra normalleştirilmiş bölünmüş R-hat'tır (Vehtari ve ark., 2021). Şablon eşiği gevşektir.
S4. Düz öncül ne zaman uygunsuz sonsal verir?
Lojistikte tam ayrışmada olabilirlik doğrusal ayırıcı doğrultusunda sınırsız artar; sonsal uygunsuzdur (Albert ve Anderson, 1984). Zayıf bilgilendirici öncül (örn. \mathrm N(0{,}5^2) ya da Cauchy; Gelman ve ark., 2008) çözer.
S5. Kesişime de öncül konması nasıl etkiler?
Kesişim x=0'daki değerdir; merkezlenmemiş yordayıcılarda uzak bir ekstrapolasyondur. s=1 onu çeker ve eğimler bunu telafi eder (217.4.1).
S6. Tohum sonucu ne kadar değiştirir?
Örnekte tohum 1 ↔ 3: kesişim 0{,}9591 ↔ 0{,}9629 (MC SH 0{,}033); farklar Monte Carlo düzeyindedir. Sonucun kararlılığı ESS ve MC SH ile ölçülür.
S7. Poisson ve normal modelde ne değişir?
Poisson'da yanıt tamsayı olmalı; normal modelde \log\sigma eklenir ve öncülsüzdür. Normal modelde sonsal ortalama (\log\sigma 0{,}262) moddan (0{,}253) ayrılır.
S8. Kendi modelimi nasıl yazarım?
log_olabilirlik(theta) ve log_oncul(theta) işlevleri düzenlenir; theta önce p katsayıyı, normalde ardından log_sigma'yı içerir; ayarlar ve tanılar aynı kalır.
217.10 Kaynaklar
- Albert, A., & Anderson, J. A. (1984). On the existence of maximum likelihood estimates in logistic regression models. Biometrika, 71(1), 1–10. https://doi.org/10.1093/biomet/71.1.1
- Gelman, A., & Rubin, D. B. (1992). Inference from iterative simulation using multiple sequences. Statistical Science, 7(4), 457–472. https://doi.org/10.1214/ss/1177011136
- Gelman, A., Jakulin, A., Pittau, M. G., & Su, Y.-S. (2008). A weakly informative default prior distribution for logistic and other regression models. The Annals of Applied Statistics, 2(4), 1360–1383. https://doi.org/10.1214/08-AOAS191
- Geyer, C. J. (1992). Practical Markov chain Monte Carlo. Statistical Science, 7(4), 473–483. https://doi.org/10.1214/ss/1177011137
- Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97–109. https://doi.org/10.1093/biomet/57.1.97
- Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3. baskı). Wiley. https://doi.org/10.1002/9781118548387
- Martin, A. D., Quinn, K. M., & Park, J. H. (2011). MCMCpack: Markov chain Monte Carlo in R. Journal of Statistical Software, 42(9), 1–21. https://doi.org/10.18637/jss.v042.i09
- Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H., & Teller, E. (1953). Equation of state calculations by fast computing machines. The Journal of Chemical Physics, 21(6), 1087–1092. https://doi.org/10.1063/1.1699114
- Roberts, G. O., Gelman, A., & Gilks, W. R. (1997). Weak convergence and optimal scaling of random walk Metropolis algorithms. The Annals of Applied Probability, 7(1), 110–120. https://doi.org/10.1214/aoap/1034625254
- Vehtari, A., Gelman, A., Simpson, D., Carpenter, B., & Bürkner, P.-C. (2021). Rank-normalization, folding, and localization: An improved \widehat R for assessing convergence of MCMC. Bayesian Analysis, 16(2), 667–718. https://doi.org/10.1214/20-BA1221
- Yazılım kaydı: MCMCpack 1.7.1 (Martin ve ark., 2011), coda 0.19.4.1, R 4.5.3 (şablon çalıştırmasının yazılım kaydından).