R语言RStan贝叶斯示例：重复试验模型和种群竞争模型Lotka Volterra

最近我们被客户要求撰写关于RStan的研究报告，包括一些图形和统计输出。

Stan是一种用于指定统计模型的概率编程语言。Stan通过马尔可夫链蒙特卡罗方法（例如No-U-Turn采样器，一种汉密尔顿蒙特卡洛采样的自适应形式）为连续变量模型提供了完整的贝叶斯推断。

可以通过R使用rstan 包来调用Stan，也可以 通过Python使用 pystan 包。这两个接口都支持基于采样和基于优化的推断，并带有诊断和后验分析。

在本文中，简要展示了Stan的主要特性。还显示了两个示例：第一个示例与简单的伯努利模型相关，第二个示例与基于常微分方程的Lotka-Volterra模型有关。

什么是Stan？

• Stan是命令式概率编程语言。
• Stan程序定义了概率模型。
• 它声明数据和（受约束的）参数变量。
• 它定义了对数后验。
• Stan推理：使模型拟合数据并做出预测。
• 它可以使用马尔可夫链蒙特卡罗（MCMC）进行完整的贝叶斯推断。
• 使用变分贝叶斯（VB）进行近似贝叶斯推断。
• 最大似然估计（MLE）用于惩罚最大似然估计。

Stan计算什么？

• 得出后验分布 。
• MCMC采样。
• 绘制，其中每个绘制都按后验概率的边缘分布。
• 使用直方图，核密度估计等进行绘图

安装 rstan

要在R中运行Stan，必须安装 rstan C ++编译器。在Windows上， Rtools 是必需的。

最后，安装 rstan：

install.packages(rstan)

Stan中的基本语法

定义模型

Stan模型由六个程序块定义 ：

• 数据（必填）。
• 转换后的数据。
• 参数（必填）。
• 转换后的参数。
• 模型（必填）。
• 生成的数量。

数据块读出的外部信息。

data {
  int N;
  int x[N];
  int offset;
}

变换后的数据 块允许数据的预处理。

transformed data {
  int y[N];
  for (n in 1:N)
    y[n] = x[n] - offset;
}

 参数 块定义了采样的空间。

parameters {
  real<lower=0> lambda1;
  real<lower=0> lambda2;
}

变换参数 块定义计算后验之前的参数处理。

transformed parameters {
  real<lower=0> lambda;
  lambda = lambda1 + lambda2;
}

在 模型 块中，我们定义后验分布。

model {
  y ~ poisson(lambda);
  lambda1 ~ cauchy(0, 2.5);
  lambda2 ~ cauchy(0, 2.5);
}

最后， 生成的数量 块允许进行后处理。

generated quantities {
  int x_predict;
  x_predict = poisson_rng(lambda) + offset;
}

类型

Stan有两种原始数据类型， 并且两者都是有界的。

• int 是整数类型。
• real