Оптимальний програмний пакет для байєсівського аналізу

Мені було цікаво, який програмний статистичний пакет ви рекомендуєте для виконання байєсівських висновків.

Наприклад, я знаю, що ви можете запускати openBUGS або winBUGS як автономні або ви можете також викликати їх від R. Але R також має кілька власних пакетів (MCMCPack, BACCO), які можуть робити байєсівський аналіз.

Хто-небудь має пропозиції щодо того, який пакет байесівських статистичних даних у R є найкращим чи про інші альтернативи (Matlab чи Mathematica?)

Основні особливості, які я хочу порівняти - це продуктивність, простота використання, стабільність та гнучкість

Зовнішні варіанти BUGS - це стандарт. Робота в R може бути зручною, але я буду здивований, якщо ці пакети будуть настільки ж зрілими та ефективними. Використання бібліотеки, яка з'єднує R та зовнішню програму, як правило, є найпоширенішим компромісом.

Я використовую комбінацію jags / rjags (джеги можуть вважатися діалектом помилок). Я не пробував інших варіантів помилок, але звіти, які я чув, такі, що продуктивність і здатність джегів вирішувати числові проблеми трохи краще, ніж інші варіанти помилок. Я вважаю, що грязі прості у використанні, але, звичайно, вам потрібні певні знання аналізу байесівських даних, щоб знати, як ним користуватися.

У 3 варіантах BUGS (openBUGS / winBUGS, джеги) прорізи здаються найбільш перспективними щодо майбутнього розвитку функції, а openBUGS / winBUGS, здається, є мертвими проектами. Однак, джегам все ще не вистачає делікатесів у openBUGS / winBUGS (також дивіться тут ). З іншого боку, джеги усунули деякі обмеження, наявні в WinBUGS, наприклад:

x ~ dnorm(0, tau) 
tau ~ dgamma(1.0E-3, 1.0E-3) # in WinBUGS, you cannot do this, 1.0E-3 is too small 
                             # for dgamma (use e.g. dgamma(0.01, 0.01))

Хороша новина полягає в тому, що з більшістю моделей ви можете запускати їх у всіх 3-х інструментах лише з мінімальними змінами, тож ви можете пізніше перейти на інший інструмент без особливих проблем (саме це я і роблю).

Однак, з якихось причин (наприклад, відсутність паралелізму та характеру інтерпретації) не вірно, що ці варіанти BUGS - це найшвидший спосіб зробити байєсівський аналіз! Насправді зовсім навпаки. BUGS-проекти добре перевірити та розробити складні моделі на невеликих наборах даних . Після того, як у вас розроблена модель і вам потрібно запускати її неодноразово на великих наборах даних, ефективніше використовувати різні інструменти.

Наприклад, CppBugs комбінація / rcpp на 5-10 разів швидша, ніж варіанти BUGS. Принцип полягає в тому, що ви в основному компілюєте свою модель в програму C ++, яка працює набагато швидше. Крім того , подивіться на блозі Дірка Eddelbuettel для випробування Rcpp - виглядає жорстоко швидко. Ви також можете грати з паралелізмом.

Ви також можете робити паралельні обчислення в WinBUGS, використовуючи bugsparallel .