20140930 みどりぼん10章後半 階層ベイズモデル -GLMMのベイズモデル化-(後半)
- 24. 10.3の例題のコードをおさらい
model
10.4 ベイズモデルで使う様々な事前分布
{"
for(i in 1:N){
" " Y[i] ~ dbin(q[i],8)" #二項分布
" " logit(q[i]) <- beta + r[i]" #生存確率
" }
" beta ~ dnorm(0,1.0E-4)" #無情報事前分布
" for(i in 1:N){
" " r[i] ~ dnorm(0,tau)" #階層事前分布
" }
" tau <- 1/(s * s)" #tauは分散の逆数
" s ~ dunif(0,1.0E+4)"#無情報事前分布
}
2014年9月30日火曜日
- 30. not only個体差 but also場所差
植木鉢が10個あり、[A,‥,E](白):無処理
[F,‥,J](グレイ):施肥処理
10.5個体差+場所差の階層ベイズモデル
2014年9月30日火曜日
- 31. not only個体差 but also場所差
植木鉢が10個あり、[A,‥,E](白):無処理
[F,‥,J](グレイ):施肥処理
10.5個体差+場所差の階層ベイズモデル
2014年9月30日火曜日
- 42. WinBUGSを使って推定
model
{
! for (i in 1:N.sample) {
! ! Y[i] ~ dpois(lambda[i])
! ! log(lambda[i]) <- beta1 + beta2 * F[i] + r[i] + rp[Pot[i]]
! }
! beta1 ~ dnorm(0, 1.0E-4)
! beta2 ~ dnorm(0, 1.0E-4)
! for (i in 1:N.sample) {
! ! r[i] ~ dnorm(0, tau[1])
! }
! for (j in 1:N.pot) {
! ! rp[j] ~ dnorm(0, tau[2])
! }
! for (k in 1:N.tau) {
! ! tau[k] <- 1.0 / (s[k] * s[k])
! ! s[k] ~ dunif(0, 1.0E+4)
! }
}
10.5個体差+場所差の階層ベイズモデル
2014年9月30日火曜日