Définir un réseau gaussien linéaire conditionnel en utilisant rjags

Question

Je me bats pour définir un réseau bayésien gaussien linéaire conditionnel en utilisant rjags. (A clg BN est défini par un noeud enfant continue (résultat) ayant à la fois un processus continu normal et un parent discret (prédicteurs))

Pour le but ci-dessous, A est discret, D et E en continu:

pour le modèle rjags, je supose ce que je veux est pour les paramètres de noeud E à définir sur le nœud de valeur A prend: code pseudo

model { 
    A ~ dcat(c(0.0948, 0.9052)) 
    D ~ dnorm(11.87054, 1/1.503111^2) 

    if A==a then E ~ dnorm(6.558366 + 1.180965*D, 1/2.960002^2) 
    if A==b then E ~ dnorm(3.370021 + 1.532289*D, 1/6.554402^2) 
} 

Je peux obtenir quelque chose qui fonctionne en utilisant le code ci-dessous, mais il serait confus rapidement avec plus de niveaux prédictifs et catégoriques.

library(rjags) 

model <- textConnection("model { 
    A ~ dcat(c(0.0948, 0.9052)) 
    D ~ dnorm(11.87054, 1/1.503111^2) 

    int = 6.558366 - (A==2)*(6.558366 - 3.370021) 
    slope = 1.180965 - (A==2)*(1.180965 - 1.532289) 
    sig = 2.960002 - (A==2)*(2.960002 - 6.554402) 

    E ~ dnorm(int + slope*D, 1/sig^2) 
}") 

jg <- jags.model(model, n.adapt = 1000 

Ma question: Comment puis-je définir ce modèle succinctement s'il vous plaît?

Les données proviennent de

library(bnlearn) 
net = model2network("[A][D][E|A:D]") 
ft = bn.fit(net, clgaussian.test[c("A", "D", "E")]) 

coef(ft) 
structure(list(A = structure(c(0.0948, 0.9052), class = "table", .Dim = 2L, .Dimnames = list(
    c("a", "b"))), D = structure(11.8705363469396, .Names = "(Intercept)"), 
    E = structure(c(6.55836552742708, 1.18096500477159, 3.37002124328838, 
    1.53228891423418), .Dim = c(2L, 2L), .Dimnames = list(c("(Intercept)", 
    "D"), c("0", "1")))), .Names = c("A", "D", "E")) 

sigma(ft) 
structure(list(A = NA, D = 1.50311121682603, E = structure(c(2.96000206596326, 
6.55440224877698), .Names = c("0", "1"))), .Names = c("A", "D", 
"E")) 

Answer 1

Vous avez juste besoin d'utiliser votre variable A comme paramètre d'indexation:

library('rjags') 

model <- " 
model { 
    A ~ dcat(c(0.0948, 0.9052)) 
    D ~ dnorm(11.87054, 1/1.503111^2) 

    ints <- c(6.558366, 3.370021) 
    int <- ints[A] 
    slopes <- c(1.180965, 1.532289) 
    slope <- slopes[A] 
    sigs <- c(2.960002, 6.554402) 
    sig <- sigs[A] 

    E ~ dnorm(int + slope*D, 1/sig^2) 
} 
" 

jg <- jags.model(textConnection(model), n.adapt = 1000) 

Par ailleurs, comme vous avez beaucoup de quantités fixes dans la modèle, il peut être plus logique de les définir dans R et de les passer ensuite en tant que données à JAGS. De cette façon, vous pouvez ajuster les valeurs et les longueurs des vecteurs (tant que les longueurs des catprobs, ints, pentes et sigs correspondent) sans avoir à modifier le code JAGS. Par exemple (en utilisant runjags pour des raisons pratiques, bien que possible avec Jags):

library("runjags") 

model <- " 
model { 
    A ~ dcat(catprobs) 
    D ~ dnorm(Dmu, Dprec) 

    int <- ints[A] 
    slope <- slopes[A] 
    sig <- sigs[A] 

    E ~ dnorm(int + slope*D, 1/sig^2) 

    #data# catprobs, Dmu, Dprec, ints, slopes, sigs 
    #monitor# A, D, E 
} 
" 

catprobs <- c(0.0948, 0.9052) 
Dmu <- 11.87054 
Dprec <- 1/1.503111^2 
ints <- c(6.558366, 3.370021) 
slopes <- c(1.180965, 1.532289) 
sigs <- c(2.960002, 6.554402) 

results <- run.jags(model) 
results 

Matt