Znalazłem kilka rozkładów, dla których BŁĘDY i R mają różne parametryzacje: Normalny, log-Normalny i Weibull.
Dla każdego z nich zbieram, że drugi parametr użyty przez R musi zostać odwrócony (1 / parametr) przed użyciem w BŁĘDACH (lub JAGS w moim przypadku).
Czy ktoś wie o wyczerpującej liście tych transformacji, która obecnie istnieje?
Najbliższe, jakie mogę znaleźć, to porównanie rozkładów w tabeli 7 instrukcji obsługi JAGS 2.2.0 z wynikami ?rnorm
itp. I być może kilku tekstów prawdopodobieństwa. Podejście to wydaje się wymagać oddzielnego przekształcenia z plików pdf.
Wolałbym uniknąć tego zadania (i ewentualnych błędów), jeśli zostało już wykonane, lub rozpocząć listę tutaj.
Aktualizacja
W oparciu o sugestie Bena napisałem następującą funkcję, aby przekształcić ramkę danych parametrów z R na parametryzację BŁĘDU.
##' convert R parameterizations to BUGS paramaterizations
##'
##' R and BUGS have different parameterizations for some distributions.
##' This function transforms the distributions from R defaults to BUGS
##' defaults. BUGS is an implementation of the BUGS language, and these
##' transformations are expected to work for bugs.
##' @param priors data.frame with colnames c('distn', 'parama', 'paramb')
##' @return priors with jags parameterizations
##' @author David LeBauer
r2bugs.distributions <- function(priors) {
norm <- priors$distn %in% 'norm'
lnorm <- priors$distn %in% 'lnorm'
weib <- priors$distn %in% 'weibull'
bin <- priors$distn %in% 'binom'
## Convert sd to precision for norm & lnorm
priors$paramb[norm | lnorm] <- 1/priors$paramb[norm | lnorm]^2
## Convert R parameter b to JAGS parameter lambda by l = (1/b)^a
priors$paramb[weib] <- 1 / priors$paramb[weib]^priors$parama[weib]
## Reverse parameter order for binomial
priors[bin, c('parama', 'paramb')] <- priors[bin, c('parama', 'paramb')]
## Translate distribution names
priors$distn <- gsub('weibull', 'weib',
gsub('binom', 'bin',
gsub('chisq', 'chisqr',
gsub('nbinom', 'negbin',
as.vector(priors$distn)))))
return(priors)
}
##' @examples
##' priors <- data.frame(distn = c('weibull', 'lnorm', 'norm', 'gamma'),
##' parama = c(1, 1, 1, 1),
##' paramb = c(2, 2, 2, 2))
##' r2bugs.distributions(priors)
źródło
Odpowiedzi:
Nie znam listy w puszce.
aktualizacja : ta lista (plus dodatkowe informacje) jest teraz opublikowana jako Tłumaczenie funkcji gęstości prawdopodobieństwa: od R do BŁĘDÓW i Z powrotem (2013), DS LeBauer, MC Dietze, BM Bolker R Journal 5 (1), 207-209.
Oto moja lista (zmiany dostarczone przez pierwotnego pytającego):
Normalne i log-normalne są sparametryzowane raczej w kategoriach (precyzja) niż lub (standardowe odchylenie lub wariancja);τ σ σ2 τ=1/σ2=1/var
Beta, Poisson, wykładniczy, jednolity są takie same
Ujemny dwumian w BŁĘDACH ma tylko dyskretną parametryzację (rozmiar, prob), a nie parametr „ekologiczny” (rozmiar, mi, gdzie rozmiar może być niecałkowity).
edycja : Weibull w BŁĘDACH to ( = , = ), w R jest ( = , = ) [notacja matematyczna jest zgodna z notacją stosowaną w odpowiedniej dokumentacji] Jak wskazano w Jak sparametryzować Dystrybucja Weibulla w JAGS / BŁĘDACH? ,ν λ a b λ=(1/b)a
shape
lambda
shape
scale
Gamma w BŁĘDACH to (
shape
,rate
). Jest to wartość domyślna w R, ale R pozwala również (kształt, skala) [jeśli argument skali jest nazwany]; stopa = 1 / skalaKolejność ma znaczenie , szczególnie w BŁĘDACH (które nie mają nazwanych argumentów), np. R
dbinom(x,size,prob)
vs BŁĘDYdbin(p,n)
[te same parametry, odwrotna kolejność].Różnice w nazwach :
dbinom
, BŁĘDY =dbin
dchisq
, BŁĘDY =dchisqr
dweibull
, BŁĘDY =dweib
dnbinom
, BŁĘDY =dnegbin
edycja : w przypadku okrojonych dystrybucji wykorzystuje BŁĘDY
I()
, JAGSdinterval()
[warto zajrzeć do dokumentacji JAGS, jeśli zamierzasz tego użyć, mogą występować inne subtelne różnice]źródło
dinterval
dystrybucję, w której BŁĘDY współpracują z I ().