Estou tentando ajustar um modelo hierárquico usando jags e o pacote rjags. Minha variável de resultado é y, que é uma sequência de testes de bernoulli. Eu tenho 38 sujeitos humanos que estão realizando sob duas categorias: P e M. Com base em minha análise, todo falante tem uma probabilidade de sucesso na categoria P de e uma probabilidade de sucesso na categoria M de θ p × θ m . Também estou assumindo que existe algum hiperparâmetro de nível comunitário para P e M: µ p e µ m .
Assim, para todos os falantes: e θ m ∼ b e t a ( μ m × κ m , ( 1 - μ m ) × κ m ) onde κ p e κ mcontrolo como um pico a distribuição é de cerca e μ m .
Também , μ m ~ b e t um ( A m , B m ) .
Aqui está o meu modelo de recortes:
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)
}
O problema que tenho é que, quando executo este modelo com 5000 iterações para adaptação, colho 1000 amostras Mmu
eKm
convergimos para valores únicos. Eu tenho rodado com 4 cadeias, e cada cadeia não tem o mesmo valor, mas dentro de cada cadeia existe apenas um valor.
Eu sou muito novo em ajustar modelos hierárquicos usando métodos MCMC, então estou me perguntando o quão ruim isso é. Devo tomar isso como um sinal de que este modelo não pode ser encaixado, que algo está errado com meus anteriores, ou isso é algo parecido no curso?