এমসিএমসি একক মান রূপান্তর?

আমি জ্যাগ এবং rjags প্যাকেজ ব্যবহার করে একটি শ্রেণিবদ্ধ মডেল ফিট করার চেষ্টা করছি। আমার ফলাফলের পরিবর্তনশীল হ'ল y, যা বার্নৌল্লি ট্রায়ালের একটি ক্রম। আমার কাছে 38 টি মানব বিষয় রয়েছে যা দুটি বিভাগের অধীনে সম্পাদন করছে: পি এবং এম আমার বিশ্লেষণের ভিত্তিতে, প্রতিটি স্পিকারের P বিভাগে P সাফল্যের সম্ভাবনা এবং এর বিভাগ এমতে সাফল্যের সম্ভাবনা রয়েছে । আমি আরও ধরে নিচ্ছি যে পি এবং এম: এবং জন্য কিছু সম্প্রদায় স্তরের হাইপারপ্যারামিটার । $\theta_p$ $\theta_p\times\theta_m$ $\mu_p$ $\mu_m$

সুতরাং, প্রতিটি স্পিকারের জন্য: এবং যেখানে এবং নিয়ন্ত্রণ করে যে কীভাবে শীর্ষে রয়েছে এবং । $\theta_p \sim beta(\mu_p\times\kappa_p, (1-\mu_p)\times\kappa_p)$ $\theta_m \sim beta(\mu_m\times\kappa_m, (1-\mu_m)\times\kappa_m)$ $\kappa_p$ $\kappa_m$ $\mu_p$ $\mu_m$

এছাড়াও , । $\mu_p \sim beta(A_p, B_p)$ $\mu_m \sim beta(A_m, B_m)$

এখানে আমার জাগস মডেল:

model{
## y = N bernoulli trials
## Each speaker has a theta value for each category
for(i in 1:length(y)){
    y[i] ~ dbern( theta[ speaker[i],category[i]])
}

## Category P has theta Ptheta
## Category M has theta Ptheta * Mtheta
## No observed data for pure Mtheta
##
## Kp and Km represent how similar speakers are to each other 
## for Ptheta and Mtheta
for(j in 1:max(speaker)){
    theta[j,1] ~ dbeta(Pmu*Kp, (1-Pmu)*Kp)
    catM[j] ~ dbeta(Mmu*Km, (1-Mmu)*Km)
    theta[j,2] <- theta[j,1] * catM[j]
}

## Priors for Pmu and Mmu
Pmu ~ dbeta(Ap,Bp)
Mmu ~ dbeta(Am,Bm)

## Priors for Kp and Km
Kp ~ dgamma(1,1/50)
Km ~ dgamma(1,1/50)

## Hyperpriors for Pmu and Mmu
Ap ~ dgamma(1,1/50)
Bp ~ dgamma(1,1/50)
Am ~ dgamma(1,1/50)
Bm ~ dgamma(1,1/50)
}

আমার কাছে সমস্যাটি হ'ল আমি যখন এই মডেলটি অ্যাডাপ্ট করার জন্য 5000 পুনরাবৃত্তির সাথে চালনা করি, তখন 1000 নমুনা নিন Mmuএবং Kmএকক মানগুলিতে রূপান্তরিত হব । আমি এটি 4 টি চেইন দিয়ে চালাচ্ছি, এবং প্রতিটি চেইনের একই মান হয় না, তবে প্রতিটি চেইনের মধ্যে কেবল একটি একক মান থাকে।

আমি এমসিএমসি পদ্ধতি ব্যবহার করে হায়ারারিকিকাল মডেলগুলি ফিটিংয়ের ক্ষেত্রে বেশ নতুন, তাই আমি ভাবছি এটি কতটা খারাপ। এই মডেলটি ফিট হওয়ার জন্য আশাবাদী না হওয়া, আমার প্রবীণদের সাথে কিছু ভুল আছে বা কোর্সের জন্য এই সমষ্টিটি কি এই চিহ্ন হিসাবে গ্রহণ করা উচিত?

সম্পাদনা: এটির ক্ষেত্রে, এর মান এটি রূপান্তরিত হয় (চেইন জুড়ে গড়) এবং মান ছিল 1.78 $\mu_m$ $\kappa_m$

mcmc multilevel-analysis jags

— JoFrhwld
সূত্র

যদি আমি আপনাকে সঠিকভাবে বুঝতে পারি তবে এই প্যারামিটারগুলি প্রতিটি শৃঙ্খলে একটি নির্দিষ্ট মান হিসাবে "একত্রিত" হয় (কিছু পুনরাবৃত্তির পরেও এটি মোটেও পরিবর্তন হয় না), তবে আপনি যে চালানো প্রতিটি চেইনের জন্য সেই মানটি আলাদা? এটি খারাপ শোনাচ্ছে, যেমন একটি সত্যই কৃপিত মেট্রোপলিস হেস্টিংস পদক্ষেপ। এটি আপনার মডেল হতে পারে, এটি জাএজিএস হতে পারে, এটি উভয়ের সংমিশ্রণ হতে পারে। সম্ভবত এই মডেলটি ফিট হতে খুব বেশি সময় নেয় না, তাই আমি প্রথমে (অনেক) দীর্ঘ শৃঙ্খলা চালানোর চেষ্টা করব, বিশেষত অভিযানের সময়কালের জন্য।

— জেএমএস

সুতরাং, আমি আরও 5000 টি পুনরাবৃত্তির সাহায্যে মডেলটি আপডেট করেছি এবং প্রশ্নে থাকা পরামিতিগুলি বজায় নেই। আমি বুঝতে পারি নি যে তারা এভাবে স্থানীয় মিনিমে পড়তে পারে।

— জোফ্রল্ড

দ্রুত sugesstions: 1। ডিবিন ব্যবহার করার চেষ্টা করুন, এন = 1 দিয়ে। এবং পি এর মান সীমাবদ্ধ করতে সীমা ব্যবহার করুন। এর মতো কিছু: প.বাউন্ড [আমি] <- সর্বাধিক (0, মিনিট (1, পি [i]))

— মানোয়েল গ্যাল্ডিনো

কয়েকটি স্পষ্ট করার প্রশ্ন: 1. আপনার কাছে P বিভাগের 38 টি বিষয় এবং এম বিভাগের 38 টি বিষয় যেমন দৈর্ঘ্য (y) = 76? ২. হাইপারপ্যারামটার্স এবং পরীক্ষার জন্য যুক্তি সম্পর্কিত আরও পটভূমি তথ্য দিতে পারেন? এটা আমার কাছে কিছুটা বিভ্রান্তিকর।

— মানোয়েল গ্যালাদিনো

আমি সম্ভবত থাইতা [জে, ১] fix ডিবেটা (১.১, ১.১) বা অন্য কিছু হিসাবে কেবল সমস্ত হাইপারপ্যারামিটারগুলি ঠিক করেছি এবং হাইপারপ্রাইয়ারে যাওয়ার চেষ্টা করার আগে আপনি কী ফলাফল পেয়েছেন তা দেখতে পেয়েছি। এছাড়াও, থিতা [জে, ২] এর পূর্বে দুটি বিটারের উত্পাদন, যা সাধারণত, একটি বিটা নিজেই হয় না এবং ফলস্বরূপ অবশ্যই থিতা [জে, ২] <থেটা [জে, ১] হয় না। দেখে মনে হচ্ছে আপনি এটি করতে চেয়েছিলেন; শুধু কৌতুহলের বাইরে, কেন?

— jboman

উত্তর:

এটি আরও একটি মন্তব্য, তবে আমার যথেষ্ট খ্যাতি না থাকায় আমি উত্তরও দিতে পারি।

এমসিএমসি স্যাম্পেলারগুলির সাথে আমার সীমিত অভিজ্ঞতা থেকে, আমি যা পর্যবেক্ষণ করেছি তা হল হাইপারপ্যারামিটারগুলি খুব সংকীর্ণ হলে পরামিতিগুলি স্থির থাকে। প্যারামিটারগুলির বিস্তারকে নিয়ন্ত্রণ করার সাথে সাথে তারা সমাধানের স্থানটি দক্ষতার সাথে নমুনা করতে বাধা দেয়।

হাইপারপ্যারামিটারগুলির জন্য বৃহত্তর মানগুলি নেওয়ার চেষ্টা করুন এবং দেখুন কী ঘটে।

এই প্রযুক্তিগত কাগজটি এমসিসিএম স্যাম্পেলারদের বুঝতে আমাকে অনেক সাহায্য করেছিল। এটি দুটি স্যাম্পেলার, গিবস (আপনি যেটি ব্যবহার করছেন) এবং হাইব্রিড মন্টি কার্লো সমন্বিত এবং পরামিতি এবং হাইপারপ্যারামিটারগুলির জন্য প্রিয়ার, হাইপারপ্রায়ারস এবং মানগুলি কীভাবে চয়ন করবেন তা দ্রুত ব্যাখ্যা করে।

— Giezi
সূত্র

এটি চেইনের কাঠামোর সমস্যা হতে পারে। আপনি কোথায় শেষ করবেন তা নির্ভর করে আপনি কোথায় শুরু করবেন। এমসিসিএম ব্যবহার করতে আপনি চেইনটি পুনরাবৃত্তি হতে চান যার অর্থ আপনি যেখানেই শুরু করেন না কেন আপনি রাষ্ট্রের স্পেসের প্রতিটি রাজ্যে যেতে পারেন। যদি চেইনটি পুনরাবৃত্তি না হয় তবে আপনি রাষ্ট্রীয় স্থানের একটি উপসেটে আটকা পড়তে পারেন। এমসিএমসির ধারণা একটি বিদ্যমান স্থিতিশীল বিতরণ যা চেইনটি শেষ পর্যন্ত শেষ হয়ে যাবে। এই স্থিতিশীল বিতরণ সাধারণত শৃঙ্খলে অবস্থিত যে কোনও রাজ্যে থাকার জন্য এবং ইতিমধ্যে বর্ণিত হিসাবে একটি বিন্দুতে আটকা না যাওয়ার জন্য ইতিবাচক সম্ভাবনা থাকে you । আমি আপনার অ্যালগরিদম চেক করতে পারি না তবে এতে আপনার কোনও ভুল রয়েছে have এটিও সম্ভব যে আপনি কোনও সমস্যার সংজ্ঞা দিয়েছেন যেখানে আপনার মার্কভ চেইনটি পুনরাবৃত্তি হয় না।

আপনি যদি MCMC এ জ্ঞান অর্জন করতে চান তবে আমি আপনাকে পরামর্শ দিচ্ছি যে আপনি মার্কোভ চেইন মন্টি কার্লো এর হ্যান্ডবুকটি একবার দেখে নিন যাতে MCMC এর প্রতিটি দিক বর্ণনা করে এমন নিবন্ধ রয়েছে। এটি 2011 সালে সিআরসি প্রেস দ্বারা প্রকাশিত হয়েছিল।

— মাইকেল আর চেরনিক
সূত্র