Postei isso no início da semana e retirei a pergunta quando encontrei uma boa fonte, não querendo perder tempo das pessoas. Não tenho feito muito progresso, temo. Ao tentar ser um bom cidadão aqui, tornarei o problema o mais claro possível. Eu suspeito que haverá poucos compradores.
Eu tenho um dataframe no RI que desejo analisar em BUGS ou R. É em formato longo. Consiste em várias observações em 120 indivíduos, com um total de 885 linhas. Estou examinando a ocorrência de um resultado categórico - mas isso não é realmente relevante aqui. A questão é sobre algo mais profundo.
O modelo que tenho usado até aqui é
mymodel<-gee(Category ~ Predictor 1 + Predictor 2..family=binomial(link="logit"),
data=mydata,
id=Person)
com um modelo marginal que explica essencialmente o agrupamento de pacientes. Eu então examinei
mymodel<-gee(Category ~ Predictor 1 + Predictor 2.. , family=binomial(link="logit"),
corstr = "AR-M",
data=mydata, id=Person)
a fim de levar em consideração o tempo de ordenação das observações sobre as pessoas individualmente.
Isso não mudou muito.
Depois, tentei modelá-los usando o seguinte conjunto de comandos do MCMCPack:
mymodel<-MCMCglmm(category~ Predictor1 + Predictor2..,
data=mydata, family=binomial(link="logit"))
Um exame do resultado foi emocionante, mostrando significância estatística para muitos preditores. Eu me elogiei como um bayesiano recém-convertido, até que percebi que não havia explicado medidas repetidas em pacientes.
Eu entendo que tenho que explicar isso. Entendo que isso pode significar ajustar uma hiperprioridade para cada indivíduo - está certo? Que forma isso terá nos BUGS?
Aqui está um modelo básico de registro de log: (parabéns a Kruschke, J., Indiana)
model {
for( i in 1 : nData ) {
y[i] ~ dbern( mu[i] )
mu[i] <- 1/(1+exp(-( b0 + inprod( b[] , x[i,] ))))
}
b0 ~ dnorm( 0 , 1.0E-12 )
for ( j in 1 : nPredictors ) {
b[j] ~ dnorm( 0 , 1.0E-12 )
}
}
No entanto, não há hiperprior aqui para o indivíduo. Aqui está minha melhor tentativa até agora de um design dentro do indivíduo, respondendo a medidas repetidas dentro das pessoas:
Aqui está o modelo de Jackman para JAGS
1 model{
2 ## loop over data for likelihood
3 for(i in 1:n){
4 y[i] ~ dbern( mu[i] )
mu[i] <- 1/(1+exp(-( b0 + inprod( b[] , x[i,] ))))
6 }
7 sigma ˜ dunif(0,20) ## prior on standard deviation
8 tau <- pow(sigma,-2) ## convert to precision
9
10 ## hierarchical model for each state’s intercept & slope
11 for(p in 1:50){
12 beta[p,1:2] ˜ dmnorm(mu[1:2],Tau[,]) ## bivariate normal
13 }
14
15 ## means, hyper-parameters
16 for(q in 1:2){
17 mu[q] ˜ dnorm(0,.0016)
}
Aqui está o meu modelo filho bastardo para BUGS
1 model{
2 ## loop over data for likelihood
3 for(i in 1:n){
4 mu.y[i] <- alpha + beta[s[i],1] + beta[s[i],2]*(j[i]-jbar)
5 demVote[i] ˜ dnorm(mu.y[i],tau)
6 }
7 sigma ˜ dunif(0,20) ## prior on standard deviation
8 tau <- pow(sigma,-2) ## convert to precision
9
10 ## hierarchical model for each state’s intercept & slope
11 for(p in 1:120){
12 beta[p,1:2] ˜ dmnorm(mu[1:2],Tau[,]) ## bivariate normal
13 }
14
15 ## means, hyper-parameters
16 for(q in 1:2){
17 mu[q] ˜ dnorm(0,.0016)
}
Alguém pode me informar se estou indo na direção certa. Minha compreensão disso está crescendo, mas lentamente. Por favor, seja gentil. Eu sou um médico, não uma estatística! Eu usei o R um pouco, mas sou novo no BUGS e novo no Bayes.
Obrigado,
R