यहाँ स्वचालन पर एक दृष्टिकोण है। प्रतिक्रिया बहुत सराहना की। यह गणना के साथ प्रारंभिक दृश्य निरीक्षण को बदलने का प्रयास है, इसके बाद मानक अभ्यास को ध्यान में रखते हुए बाद में दृश्य निरीक्षण किया जाता है।
यह समाधान वास्तव में दो संभावित समाधानों को शामिल करता है, पहले, थ्रेसहोल्ड तक पहुंचने से पहले चेन की लंबाई को दूर करने के लिए बर्न-इन की गणना करें, और फिर थिनिंग अंतराल की गणना करने के लिए ऑटोक्रॉलेशन मैट्रिक्स का उपयोग करें।
- में सभी चर के लिए अधिकतम मंझला गेलमैन-रुबिन अभिसरण नैदानिक सिकुड़न कारक (जीएसएफ) के वेक्टर की गणना करें
- उन सभी नमूनों की न्यूनतम संख्या ज्ञात करें जिन पर सभी चर में grsf कुछ सीमा से नीचे जाता है, उदाहरण के लिए उदाहरण में 1.1, शायद व्यवहार में कम
- इस बिंदु से श्रृंखला के अंत तक उप नमूना
- सबसे autocorrelated श्रृंखला के autocorrelation का उपयोग करके श्रृंखला को पतला करता है
- ट्रेस, ऑटोक्रेलेशन और घनत्व प्लॉट के साथ अभिसरण की पुष्टि करें
Mcmc ऑब्जेक्ट को यहाँ डाउनलोड किया जा सकता है: jags.out.Rdata
# jags.out is the mcmc.object with m variables
library(coda)
load('jags.out.Rdata')
# 1. calculate max.gd.vec,
# max.gd.vec is a vector of the maximum shrink factor
max.gd.vec <- apply(gelman.plot(jags.out)$shrink[, ,'median'], 1, max)
# 2. will use window() to subsample the jags.out mcmc.object
# 3. start window at min(where max.gd.vec < 1.1, 100)
window.start <- max(100, min(as.numeric(names(which(max.gd.vec - 1.1 < 0)))))
jags.out.trunc <- window(jags.out, start = window.start)
# 4. calculate thinning interval
# thin.int is the chain thin interval
# step is very slow
# 4.1 find n most autocorrelated variables
n = min(3, ncol(acm))
acm <- autocorr.diag(jags.out.trunc)
acm.subset <- colnames(acm)[rank(-colSums(acm))][1:n]
jags.out.subset <- jags.out.trunc[,acm.subset]
# 4.2 calculate the thinning interval
# ac.int is the time step interval for autocorrelation matrix
ac.int <- 500 #set high to reduce computation time
thin.int <- max(apply(acm2 < 0, 2, function(x) match(T,x)) * ac.int, 50)
# 4.3 thin the chain
jags.out.thin <- window(jags.out.trunc, thin = thin.int)
# 5. plots for visual diagnostics
plot(jags.out.thin)
autocorr.plot(jags.win.out.thin)
--अपडेट करें--
जैसा कि आर में कार्यान्वित किया गया है ऑटोकॉर्पशन मैट्रिक्स की गणना धीमी है (कुछ मामलों में> 15 मिनट), कुछ हद तक वांछनीय होगा, इसलिए जीआर हटना कारक की गणना है। कैसे stackoverflow पर चरण 4 में तेजी लाने के बारे में एक प्रश्न नहीं है यहां
- हिस्सा 2 -
अतिरिक्त जवाब:
अभिसरण का निदान करना संभव नहीं है, केवल अभिसरण की कमी का निदान करने के लिए (ब्रूक्स, गिउडीसी और फिलिप, 2003)
पैकेज रनजैग से फ़ंक्शन ऑटोरुन.जैग्स रन लंबाई और अभिसरण निदान की गणना को स्वचालित करता है। यह तब तक श्रृंखला की निगरानी शुरू नहीं करता है जब तक कि जेलमैन रुबिन डायग्नोस्टिक 1.05 से नीचे नहीं होता है; यह Raftery और लुईस नैदानिक का उपयोग करके श्रृंखला की लंबाई की गणना करता है।
गेलमैन एट अल (गेलमैन 2004 बेयसियन डेटा एनालिसिस, पृष्ठ 295, जेलमैन और शर्ली, 2010 ) कहते हैं कि वे श्रृंखला के पहले आधे हिस्से को छोड़ने के लिए रूढ़िवादी दृष्टिकोण का उपयोग करते हैं। हालांकि एक अपेक्षाकृत सरल समाधान, व्यवहार में यह मॉडल और डेटा के मेरे विशेष सेट के लिए समस्या को हल करने के लिए पर्याप्त है।
#code for answer 3
chain.length <- summary(jags.out)$end
jags.out.trunc <- window(jags.out, start = chain.length / 2)
# thin based on autocorrelation if < 50, otherwise ignore
acm <- autocorr.diag(jags.out.trunc, lags = c(1, 5, 10, 15, 25))
# require visual inspection, check acceptance rate
if (acm == 50) stop('check acceptance rate, inspect diagnostic figures')
thin.int <- min(apply(acm2 < 0, 2, function(x) match(TRUE, x)), 50)
jags.out.thin <- window(jags.out.trunc, thin = thin.int)