贝叶斯层次型模型参数估计 Bayesian hierarchical model parameter estimation with Stan

再来总结下贝叶斯参数估计，分为以下几部分：
1. 先说说贝叶斯参数估计
2. 再说说层次型模型，指的就是超参数（Hyper parameter）的选择
3. 用R+stan的Hamiltonian MC把这些参数（数据分布的参数和超参数）都采出来

这里我们用一个例子来演示怎么估计参数。
我们使用一个人工的数据，每天超市里一件商品的销售量y。
生成数据的R代码：

nSamples <- 5000;

theta <- rgamma(nSamples,5,1)

y <- rpois(nSamples, theta)

超参数$\alpha$即shape 为5 $\beta$即scale为1 生成了5000个样本

先说说第一个问题

什么是贝叶斯参数估计

先说说贝叶斯参数估计的时候用的贝叶斯定理：

$$p(\theta|y) = p(y|\theta)p(\theta)/p(y) \propto p(y|\theta)p(\theta)$$

这里$p(\theta|y)$ 是后验概率 $p(y|\theta)$ 是统计模型也叫似然 $p(\theta)$ 是先验概率。

参数估计估计的就是这个$\theta$，要区别的是如果求$p(y|\theta)$的最大值就是MLE(Maxium Likelihood Estimation)，求$p(\theta|y)$ 的最大值就是MAP (Max A Posterior)。MAP不能算是贝叶斯估计，因为它没有整合所有的不确定性。

本文的例子是一个计数的例子，应该使用泊松分布来作为似然。即：

$$y \sim poisson(\theta|n)$$
其中 $\theta$是泊松分布的参数，n是实验次数。然后是先验，这里选择gamma分布作为参数的先验，即：