Episodio
brms: Modelos bayesianos multinivel mediante Stan
con Paul Bürkner
useR!2017: brms: Bayesian Multilevel Models using S...
El paquete brms (Bürkner, en prensa) implementa modelos de varios niveles bayesianos en R mediante el lenguaje de programación probabilístico Stan (Carpenter, 2017). Se admite una amplia gama de distribuciones y funciones de vínculo, lo que permite a los usuarios ajustarse a modelos lineales, sólidos, binomiales, Poisson, supervivencia, tiempos de respuesta, ordinales, cuantiles, inflados en cero, obstáculos e incluso modelos no lineales en un contexto multinivel. Entre otras opciones de modelado se incluyen la correlación automática y los términos de suavizado, las estructuras de dependencia definidas por el usuario, los datos censurados, los errores estándar de metaanálisis y muchas más. Además, se pueden predecir todos los parámetros de la distribución de respuesta para realizar la regresión de distribución. Las especificaciones anteriores son flexibles y animan explícitamente a los usuarios a aplicar distribuciones anteriores que reflejen realmente sus creencias. Además, el ajuste del modelo se puede evaluar y comparar fácilmente con las comprobaciones predictivas posteriores y dejar una validación cruzada única.
useR!2017: brms: Bayesian Multilevel Models using S...
El paquete brms (Bürkner, en prensa) implementa modelos de varios niveles bayesianos en R mediante el lenguaje de programación probabilístico Stan (Carpenter, 2017). Se admite una amplia gama de distribuciones y funciones de vínculo, lo que permite a los usuarios ajustarse a modelos lineales, sólidos, binomiales, Poisson, supervivencia, tiempos de respuesta, ordinales, cuantiles, inflados en cero, obstáculos e incluso modelos no lineales en un contexto multinivel. Entre otras opciones de modelado se incluyen la correlación automática y los términos de suavizado, las estructuras de dependencia definidas por el usuario, los datos censurados, los errores estándar de metaanálisis y muchas más. Además, se pueden predecir todos los parámetros de la distribución de respuesta para realizar la regresión de distribución. Las especificaciones anteriores son flexibles y animan explícitamente a los usuarios a aplicar distribuciones anteriores que reflejen realmente sus creencias. Además, el ajuste del modelo se puede evaluar y comparar fácilmente con las comprobaciones predictivas posteriores y dejar una validación cruzada única.
¿Quiere hacer algún comentario? Comunique un problema aquí.