Mam pytanie, jak dopasować problem cenzury do JAGS.
Obserwuję normalną dwuwymiarową mieszaninę, w której wartości X mają błąd pomiaru. Chciałbym zamodelować prawdziwe podstawowe „średnie” zaobserwowanych wartości cenzurowanych.
Oto co mam teraz:
for (i in 1:n){
x[i,1:2]~dmnorm(mu[z[i],1:2], tau[z[i],1:2,1:2])
z[i]~dcat(prob[ ])
}
Y ma również błąd pomiaru. Chcę coś takiego:
for (i in 1:n){
x_obs[i] ~ dnorm(x_true[i],prec_x)I(x_true[i],)
y_obs[i] ~ dnorm(y_true[i],prec_y)
c(x_true[i]:y_true[i])~dmnorm(mu[ z [ i ],1:2], tau[z[i],1:2,1:2])
z[i]~dcat(prob[ ])
}
#priors for measurement error
e_x~dunif(.1,.9)
prec_x<-1/pow(e_x,2)
e_y~dunif(2,4)
prec_y<-1/pow(e_y,2)
Oczywiście polecenie c nie jest poprawne w JAGS.
Z góry dziękuję.
mcmc
censoring
truncation
jags
Dolina górska
źródło
źródło
Odpowiedzi:
Być może właśnie tego szukasz:
JAGS ma opcje zarówno cenzury, jak i obcięcia. Wygląda na to, że chcesz obciąć, ponieważ wiesz z góry, że obserwacja leży w określonym zakresie
Zapoznaj się z instrukcją obsługi, aby uzyskać więcej informacji na temat tego, w jaki sposób jags używa skracania i cenzury.
źródło
Dzięki za wskazówki David. Zadałem to pytanie na forum wsparcia JAGS i otrzymałem przydatną odpowiedź. Kluczem było użycie dwuwymiarowej tablicy dla „prawdziwych” wartości.
źródło