So-net無料ブログ作成
検索選択

Stanで、負の二項分布へのあてはめと予測区間の描画 [統計]

Rのglm.nb()では予測区間を求めるのがけっこう面倒そうなので、Stanでやってみたメモです。

Rコード

## Data
N <- 200
NB <- 10
m1 <- 0
m2 <- 0
sd1 <- 0.2
sd2 <- 0.3
sd.B <- 0.8
intercept <- 1
coef.X1 <- 1

set.seed(123)
X1 <- rnorm(N, 0, sd1)
X2 <- rnorm(N, 0, sd2)
B <- rep(rnorm(NB, 0, sd.B), each = N / NB)
Y <- rpois(N, exp(intercept + coef.X1 * X1 + B))

library(rstan)
rstan_options(auto_write = TRUE)
options(mc.cores = parallel::detectCores())

newx <- seq(-0.8, 0.8, length = 100)
stan.data <- list(N = N,
                  X1 = X1,
                  X2 = X2,
                  Y = Y,
                  K = length(newx),
                  New_X1 = newx)
fit.stan <- stan("overdispersion_glm.stan",
                 data = stan.data,
                 iter = 2000, warmup = 1000, thin = 1)
print(fit.stan)

## Expectations
alpha <- get_posterior_mean(fit.stan,
                            pars = "alpha")[, "mean-all chains"]
beta1 <- get_posterior_mean(fit.stan,
                            pars = "beta")["beta[1]", "mean-all chains"]
exp.y <- exp(alpha + beta1 * newx)

## Prediction intervals
yy <- extract(fit.stan, pars = "y")
low10 <- sapply(seq_along(newx),
              function(i) quantile(yy[[1]][, i], probs = 0.10))
low25 <- sapply(seq_along(newx),
              function(i) quantile(yy[[1]][, i], probs = 0.25))
up75 <- sapply(seq_along(newx),
             function(i) quantile(yy[[1]][, i], probs = 0.75))
up90 <- sapply(seq_along(newx),
             function(i) quantile(yy[[1]][, i], probs = 0.90))

## plot
png()
plot(Y ~ X1, las = 1)
lines(newx, exp.y, lty = 1)
lines(newx, low25, lty = 2)
lines(newx, up75, lty = 2)
lines(newx, low10, lty = 3)
lines(newx, up90, lty = 3)
dev.off()

Stanコード

data {
  int<lower=0> N;
  vector[N] X1;
  vector[N] X2;
  int<lower=0> Y[N];
  int<lower=0> K;
  vector[K] New_X1;
}
parameters {
  real alpha;
  vector[2] beta;
  real<lower=0> phi;
}

model {
  vector[N] eta = alpha + beta[1] * X1 + beta[2] * X2;

  phi ~ cauchy(0, 5);
  Y ~ neg_binomial_2_log(eta, phi);
}

generated quantities {
  vector[K] y;

  for (i in 1:K) {
    real mu = exp(alpha + beta[1] * New_X1[i]);
    y[i] = neg_binomial_2_rng(mu, phi);
  }
}

結果のグラフです。X2は0として、X1の変化に対するYの期待値と50%・80%予測区間です。
Rplot001.png


nice!(1)  コメント(0)  トラックバック(0) 
共通テーマ:日記・雑感

nice! 1

コメント 0

コメントを書く

お名前:
URL:
コメント:
画像認証:
下の画像に表示されている文字を入力してください。

Facebook コメント

トラックバック 0