bayesglm (lengan) versus MCMCpack

Baik bayesglm()(dalam paket arm R) dan berbagai fungsi dalam paket MCMCpack ditujukan untuk melakukan estimasi Bayesian dari model linier umum, tetapi saya tidak yakin mereka benar-benar menghitung hal yang sama. Fungsi MCMCpack menggunakan rantai Markov Monte Carlo untuk mendapatkan sampel (tergantung) dari posterior bersama untuk parameter model. bayesglm(), di sisi lain, menghasilkan. Saya tidak yakin apa.

Sepertinya bayesglm()menghasilkan estimasi titik, yang akan membuatnya menjadi estimasi MAP (maksimum a posteriori) daripada estimasi Bayesian penuh, tetapi ada sim()fungsi yang sepertinya dapat digunakan untuk mendapatkan gambar posterior.

Adakah yang bisa menjelaskan perbedaan penggunaan yang dimaksudkan untuk keduanya? Dapatkah bayesglm() + sim()menghasilkan gambar posterior sejati, atau apakah itu semacam perkiraan?

bayesian generalized-linear-model

— Kevin S. Van Horn
sumber

Saya tidak tahu jawabannya tetapi jika itu membantu Anda dapat melihat sumber fungsi-fungsi itu hanya dengan mengetikkan namanya:> bayesglm> sim Atau Anda dapat bertanya langsung ke pengelola: cran.r-project.org/web/packages/arm/ arm.pdf cran.r-project.org/web/packages/MCMCpack/MCMCpack.pdf

— paglos

Anda juga bisa menggunakan 'rjags' dan menulis sendiri modelnya jika Anda ingin kontrol penuh.

— dugaan

Untuk melihat kode sumber lengkap, Anda perlu mengunduh armsumber paket dari CRAN (ini adalah tarball). Pandangan cepat pada simfungsi tersebut membuat saya berpikir bahwa armini adalah metode perkiraan Bayes karena tampaknya mengasumsikan normalitas multivariat dari perkiraan kemungkinan maksimum. Dalam model dengan kemungkinan log sangat non-kuadrat, seperti model logistik biner, ini mungkin tidak cukup akurat. Saya ingin mendapat komentar dari orang lain tentang ini. Saya telah menggunakan MCMCpackdengan sukses; itu memberikan solusi Bayesian yang tepat untuk banyak model, mengingat cukup menarik posterior dan konvergensi MCMC.

— Frank Harrell
sumber