RPubs - 世界一簡単な収束しないStanコードHide Comments (–) Share Hide Toolbars
while my_mcmc: gently(samples) - Animating MCMC with PyMC and Matplotlib
Here’s the deal: I used PyMC, matplotlib, and Jake Vanderplas’ JSAnimation to create javascript animations of three MCMC sampling algorithms – Metropolis-Hastings, slice sampling and NUTS. I like visualizations because they provide a good intuition for how the samplers work and what problems they can run into. You can download the full notebook here or view it in your browser. Note that for this p
第9回「データ解析のための統計モデリング入門」読書会 (2014/09/09 19:30〜)
お知らせ 【重要なお知らせ】iOSアプリの運用および提供を2024年6月3日(月)を以て終了いたします。詳細は お知らせをご覧ください。 お知らせ connpassではさらなる価値のあるデータを提供するため、イベントサーチAPIの提供方法の見直しを決定しました。2024年5月23日(木)より 「企業・法人」「コミュニティ及び個人」向けの2プランを提供開始いたします。ご利用にあたっては利用申請及び審査がございます。詳細はヘルプページをご確認ください。
Gibbs sampling(jags) VS HMC – Hamiltonian Monte Carlo(stan) | @DataSci
老若男女問わず愛されているMCMCの２つのサンプラ，Gibbs SamplingのJagsとHamiltonian Monte CarloのStanの比較をやったのでご紹介． Bugs/Jagsから一転Stanが主流になって一体何が起こっているのでしょうか？解ってないのは筆者だけ？ ひとまず統計モデリングの大原則，よくわからんものは使うなってことでHMCについて調べてみました． HMCについてはこちらが詳しかった．てかこの資料早く見つければよかった． MCMC using Hamiltonian dynamics ．．．ってしっかり読みこんでたら１ヶ月位かかりそう．読むけど！． てことでまずは同じ条件のポアソン回帰の推定で得られるチェーンがどう違うのかを比較してみました．どちらもburn-in 1000 ,iteration 1000 thin 1の1000サンプルを取り出します．
Stanのgaussian_dlm_obs()によるトレンドモデル: Taglibro de H
以前うまくいかなかったStanのgaussian_dlm_obs()によるトレンドモデルだが、モデルを見直してできるようになった。 ナイル川のデータをつかった。Stanによるモデルは以下のように。 data { int<lower=0> N; matrix[1, N] y; } transformed data { matrix[2, 1] F; matrix[2, 2] G; vector[2] m0; cov_matrix[2] C0; F[1, 1] <- 1; F[2, 1] <- 0; G[1, 1] <- 1; G[1, 2] <- 1; G[2, 1] <- 0; G[2, 2] <- 1; m0[1] <- 0; m0[2] <- 0; C0[1, 1] <- 1.0e+7; C0[1, 2] <- 0; C0[2, 1] <- 0; C0[2, 2] <- 1.0e+7;
Frontiers | Decision-making in stimulant and opiate addicts in protracted abstinence: evidence from computational modeling with pure users
1Virginia Tech Carilion Research Institute, Virginia Tech, Roanoke, VA, USA 2Bulgarian Addictions Institute, Sofia, Bulgaria 3Department of Psychological and Brain Sciences, Indiana University, Bloomington, IN, USA 4Department of Psychology, University of Southern California, Los Angeles, CA, USA 5Brain and Creativity Institute, University of Southern California, Los Angeles, CA, USA 6Department o
第7回「データ解析のための統計モデリング入門」読書会を開催しました - Yamakatu as a Service
今回も＠ドワンゴ様にて。感謝！！ ■第7章「一般化線形混合モデル(GLMM)」 by 所沢義男 データ解析のための勉強会第7章 from TokorosawaYoshio ところさわさん、twitterもFacebookもやってないけどYoはやってるらしい。なんてハイコンテキストなんだ… 「参考にした情報（WEB）」にあるGLMMのアニメーションわかりやすイイイイイイイイイ ■LT Rと確率分布 by @tetsuroito 20140222 tokyo.R LT 「Rと確率分布」 from Tetsuro Ito 前回の大仏様のLTに味をしめて、過去の発表資料でLTしてもらおうシリーズはじめました。 確率分布の関係性を示した図、イイ… ■LT データ解析でご飯を食べるという事 by @piroyoung データ解析でご飯を食べるという事 from Hiroki Mizukami ■懇親会
[理論] モデリングに役立ちそうな確率分布の性質のメモ
自分が分かりやすいように, 応用しやすいように疑似stanコードで書きました、ごめんね。間違ってたらごめんね。 再生性 再生性を使うとモデルをシンプルに書けることがあり、推定のスピードアップにつながります。 以下で用いられる2つの確率変数x1, x2は互いに独立とします。 ●正規分布 対数正規分布の場合は変数の積について再生性が成り立つことになります。 ●コーシー分布 ●ガンマ分布 rate parameterであるbが異なる場合は成り立ちません。a1,a2が半整数である場合はカイ二乗分布に相当し再生性を持ちます。 ●ポアソン分布 ●二項分布 確率pが異なる場合は成り立ちません。 共役事前分布 共役事前分布を使うと事後分布の形が決まるためパラメータの推定の式がシンプルになることがあり、スピードアップにつながります。主要なところをいくつか紹介します。その他のものはwikipedia参照。 ●
Google グループ
Google グループでは、オンライン フォーラムやメール ベースのグループを作成したり、こうしたフォーラムやグループに参加したりすることで、大勢のユーザーと情報の共有やディスカッションを行うことができます。
Stanのマニュアルの8章～12章の私的メモ
以下の記事は「stan-reference-2.0.1.pdf」の私的メモです。間違い等ありましたら教えてください。 8. Containers: Arrays, Vectors, and Matrices ・integerを格納したいときは現状ではArrayの一択です。 ・行列の掛け算や固有値を求めるような行列の演算をする場合はVector (vector, row_vector)と Matrix (matrix)を使いましょう。 ・行ごとにアクセスしたり列ごとにアクセスするようなことが多い場合にはMatrixよりもVectorのArrayを使いましょう。 9. Missing Data & Partially Known Parameters ・欠損値があるときは欠損値をparameterとして定義して別ループで回す。 ・一部だけ分かっているパラメーターの場合は transformed
世界一簡単なrstanコード
もう自分のモデルがどこまで混沌としているかわからなくて，rstanをつかいながらごく簡単なものを確かめるところまで戻ってきた。 ある標準正規分布から乱数発生に寄って得られたデータセットyの平均と分散を推定するプログラム。一瞬で終わる。確実に収束する。まあ初めてMCMCする人はここから確認するとよいかもしれないので，一応書きさらしておく。このままRにコピペで動きます。 2015.03.05 追記）修正を行いました。修正点についてはこちらを参照。 library(rstan) n <- 100 mu <- 50 sig <- 10 y <- rnorm(n,mu,sig) stancode <- ' data{ int<lower=0> T; real N[T]; // data } parameters { real mu; real<lower=0> s2; } model{ N~norm
【ベイズ推定WS】 MCMCでマルチレベルモデル | Sunny side up!
先日，広島大学で「ベイズ推定による多変量解析入門」のというワークショップが行われました。 主催はDARMという広大の勉強会で，広島大学のポスドクの竹林君と広大院生の徳岡君が中心となって，開催されました。 会場には50人近くの人が，遠方からも来ていただいて，とても盛況でした。 ベイズの定理の話から，ベイズ統計，MCMCの基礎，そして多変量解析への実践にわたって，かなりの情報量があったと思います。 清水が発表したのは，MCMCでマルチレベルモデル，というもので，階層線形モデルをマルコフ連鎖モンテカルロ法で推定する，という話でした。 使ったソフトウェアはRとStanで，rsatnパッケージとglmer2stanパッケージを使いました。あと，Mplusについても少し触れています。 以下にスライドシェアにアップした資料を載せておきます。
[Stan] 陽に解ける常微分方程式を使ったモデルの例
今回はデータの背後に簡単な（陽に解ける）常微分方程式で記述できるダイナミクスがあると仮定して、Stanでパラメータの推定を行いたいと思います。 状況として定期的に（例えば一年ごとに）サービスをリリースした場合を考えます。それらのサービスを使う総利用者数の時系列があるとします。そして各サービスともリリース直後は盛り上がってくるものの、じわじわと利用者が減っていくとします。今回はその利用者がどのサービス由来かわからないとして解析します（どのサービス由来か分かればもっと簡単にできます）。また今回のデータ取得期間はt=1:100でt=0,40,80に計3つの新規サービスをリリースしたと分かっているとし、グラフは以下のようになっているとします（縦軸の単位は[百人]とか）。 さてこの時系列を解析するうえで「リリース直後は盛り上がってくるものの、じわじわ減る」というダイナミクスをモデルに反映するのが大切
![[Stan] 陽に解ける常微分方程式を使ったモデルの例](https://cdn-ak-scissors.b.st-hatena.com/image/square/36cccc5f4f4ff0a6189a7b50b9839ef26481326f/height=288;version=1;width=512/http%3A%2F%2Fblog-imgs-67.fc2.com%2Fh%2Fe%2Fa%2Fheartruptcy%2F201405_total_service.png)
ガッキーより竹内結子 - サボタージュ禁止のおさぼり日記
なのでダンダリン見てる。 あっ, どーも僕です。 リアップは劇薬じゃなくてよかったです。 rstanでちょこちょこ こちらのブログにrstanの導入＆入門編が紹介されていました。 MCMCの計算にStanを使ってみた（超基礎・導入編） - 銀座で働くデータサイエンティストのブログ 普段から読んでいるブログで毎度毎度参考になります。 ですが、はじめてrstanを触る人には誤解を与えるかもな内容でしたので、ちょっと付け足しておきます。 付け足しポイントは次の２つ 回帰係数にはベクトル演算をつかうstanはいっぱい関数があってよくわからないので, まかせます codaを使わなくてもトレースと事後分布は出せる ベクトル演算は公式リファレンスで推奨されていますし、ひとつづ係数を書くのは大変なのでオススメしません。 書いて説明するのは大変なので、とりあえずRのスクリプトはこちら。リファレンスに似たよう
K. Okada Group, UTokyo
K. Okada Research Group on Psychological Statistics岡田謙介研究室 (心理統計学) 本研究室は、東京大学教育学研究科教育心理学コース教育情報科学分野に籍をおく、心理統計学の研究室です。修士・博士をあわせて11名の大学院生たちと3名の特任研究員、および卒論生や共同研究者のみなさんと、心理・教育測定、数理心理、ベイズ統計分野における方法開発やモデリングを行って、問題解決に役立てるための研究を進めています。 当研究室では特任助教または特任研究員を募集しております。詳細は大学ホームページの公募情報をご参照ください。お気軽にお問い合わせください。[Dec, 2023] 日本計算機統計学会第37回シンポジウムにおいて、博士2年の福島健太郎さんの発表「一般化多枝選択型認知診断モデルの提案」が、学生研究発表賞を受賞しました。[Nov, 2023] 山梨県
RStan使ってMCMCの計算をやってみた(1) - データサイエンスとプログラミングを学ぶ
久保拓弥先生の「データ分析のための統計モデリング入門」（通称緑本）の9章をトレースしてみました。緑本ではWinBUGSを使用していますが、ここではRStanを使ってStanでやってみます。 データ解析のための統計モデリング入門――一般化線形モデル・階層ベイズモデル・MCMC (確率と情報の科学) 作者:久保 拓弥発売日: 2012/05/19メディア: 単行本 インストール Stanのインストールに関しては、以下のブログ記事を参考にさせていただきました。 Stanで統計モデリングを学ぶ(1): まずはStanの使い方のおさらいから - 渋谷駅前で働くデータサイエンティストのブログ こちらの通りに進めていけば問題なくインストールできるかと思います。 コード コードの書き方や、結果の可視化に関してはインストールでもお世話になった先ほどの記事と、こちらの記事 http://heartruptcy
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
ソーシャルカードゲームの新規ユーザー離脱をモデリングしてみた | 株式会社サイバーエージェント
Ninja 2.0.0 released!
Hamiltonian Monte Carloによるベイズ推定ソフトウェアStanの紹介
data ブロックと parameters ブロックの関係(Stan)