查看原文
其他

Bayesplot 包:可视化贝叶斯模型

庄闪闪 庄闪闪的R语言手册 2023-05-04

点击下方公众号,回复资料分享,收获惊喜

简介

Bayesplot[1]包,提供了广泛的绘图函数库,用于在拟合贝叶斯模型后使用(通常使用 MCMC )。由 bayesplot 创建的图形是 ggplot 对象,这意味着在创建图形后,可以使用 ggplot2[2] 包中的各种函数进一步自定义。

目前,bayesplot 提供了各种后验抽样绘图、视觉 MCMC 诊断和图形后验(或先验)预测检查的绘图功能。未来的版本将添加其他功能(例如,用于预测/样本外预测和其他推断相关任务)。

Cheat sheet

bayesplot 的理念不仅是为用户提供方便的功能,还提供了一个共同的函数集,可以轻松地由开发人员在各种贝叶斯建模包上使用,特别是(但不一定是)由 RStan[3] 提供支持的包。

官网首页

关于贝叶斯分析的推文,小编还写了:贝叶斯 RStan 包入门教程资料分享|贝叶斯数据分析从贝叶斯滤波到粒子滤波

安装

从 CRAN 安装最新版本:

install.packages("bayesplot")

从 GitHub 安装最新的开发版本:

if (!require("devtools")) {
install.packages("devtools")
}
devtools::install_github("stan-dev/bayesplot")

例子1:回归模型

利用rstanarm[4]rstan[5]包获得 MCMC 样本,根据这个抽样样本,我们给出 bayesplot 包的入门示例。其他更加详细的教程可见:

  • Plotting MCMC draws using the bayesplot package[6]
  • Visual MCMC diagnostics using the bayesplot package[7]
  • Graphical posterior predictive checks using the bayesplot package[8]

我们以 mtcars 数据集作为例子,使用 stan_glm() 构建贝叶斯框架下的回归模型。根据后验样本,使用 bayesplot 包中的各种函数进行可视化。

library("bayesplot")
library("rstanarm")
library("ggplot2")

fit <- stan_glm(mpg ~ ., data = mtcars)
posterior <- as.matrix(fit)
  • 使用 mcmc_areas() 绘制后验分布的面积图
plot_title <- ggtitle("Posterior distributions",
                      "with medians and 80% intervals")
mcmc_areas(posterior,
           pars = c("cyl""drat""am""wt"),
           prob = 0.8) + plot_title
使用 mcmc_areas() 绘制面积图
  • 使用 ppc_dens_overlay() 绘制预测分布和真实分布
color_scheme_set("red")
ppc_dens_overlay(y = fit$y,
                 yrep = posterior_predict(fit, draws = 50))
使用 ppc_dens_overlay() 绘制预测分布和真实分布
  • 使用 ppc_stat_grouped() 绘制预测分布柱状图
# also works nicely with piping
library("dplyr")
color_scheme_set("brightblue")
fit %>%
  posterior_predict(draws = 500) %>%
  ppc_stat_grouped(y = mtcars$mpg,
                   group = mtcars$carb,
                   stat = "median")
使用 ppc_stat_grouped() 绘制预测分布柱状图

例子2: rstan 中的八校数据

使用《贝叶斯数据分析》中最经典的八校数据进行分析。具体可见推文:贝叶斯 RStan 包入门教程

library("rstan")
fit2 <- stan_demo("eight_schools", warmup = 300, iter = 700)
posterior2 <- extract(fit2, inc_warmup = TRUE, permuted = FALSE)
  • 使用 mcmc_trace() 绘制各链轨迹图
color_scheme_set("mix-blue-pink")
p <- mcmc_trace(posterior2,  pars = c("mu""tau"), n_warmup = 300,
                facet_args = list(nrow = 2, labeller = label_parsed))
p + facet_text(size = 15)
使用 mcmc_trace() 绘制各链轨迹图
  • 使用 mcmc_scatter() 绘制散点图
# scatter plot also showing divergences
color_scheme_set("darkgray")
mcmc_scatter(
  as.matrix(fit2),
  pars = c("tau""theta[1]"), 
  np = nuts_params(fit2), 
  np_style = scatter_style_np(div_color = "green", div_alpha = 0.8)
)
使用 mcmc_scatter() 绘制散点图
  • 使用 mcmc_nuts_energy() 进行 NUTS 能量诊断
color_scheme_set("red")
np <- nuts_params(fit2)
mcmc_nuts_energy(np) + ggtitle("NUTS Energy Diagnostic")
使用 mcmc_nuts_energy() 进行 NUTS 能量诊断

小编有话说

  • 读者可以使用自己数据集在贝叶斯框架下进行分析,之后使用本文的 R 包进行结果可视化。

参考资料

[1]

Bayesplot: https://mc-stan.org/bayesplot/index.html

[2]

ggplot2: https://ggplot2.tidyverse.org/

[3]

RStan: https://mc-stan.org/rstan/

[4]

rstanarm: https://mc-stan.org/rstanarm/

[5]

rstan: https://mc-stan.org/rstan/

[6]

Plotting MCMC draws using the bayesplot package: https://mc-stan.org/bayesplot/articles/plotting-mcmc-draws.html

[7]

Visual MCMC diagnostics using the bayesplot package: https://mc-stan.org/bayesplot/articles/visual-mcmc-diagnostics.html

[8]

Graphical posterior predictive checks using the bayesplot package: https://mc-stan.org/bayesplot/articles/graphical-ppcs.html

相关推文指南

cowplot包,ggplot2图形排版R包


使用 ggpubr 包制图


使用 ggcharts 高亮部分内容


使用 ggTimeSeries 包构建日历图


基于 ggdensity 包的等高线绘制


贝叶斯 RStan 包入门教程


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存