Ось один підхід до автоматизації. Відгуки високо оцінені. Це спроба замінити початковий візуальний огляд на обчислення з подальшим подальшим візуальним оглядом у відповідності зі стандартною практикою.
Це рішення фактично включає два потенційні рішення: спочатку обчислюють спалювання для видалення довжини ланцюга до досягнення певного порогу, а потім використовуючи матрицю автокореляції для обчислення інтервалу проріджування.
- обчислити вектор максимального медіанного коефіцієнта зменшення гельмана-Рубіна, діагностичного коефіцієнта згортання (grsf) для всіх змінних у
- знайти мінімальну кількість зразків, у яких grsf по всіх змінних опускається нижче деякого порогового значення, наприклад, 1,1 у прикладі, можливо, нижче на практиці
- підпробовуйте ланцюги з цієї точки до кінця ланцюга
- тонкий ланцюг, використовуючи автокореляцію самого автокорельованого ланцюга
- візуально підтверджують конвергенцію з графіками слідів, автокореляції та щільності
Об'єкт mcmc можна завантажити тут: jags.out.Rdata
# jags.out is the mcmc.object with m variables
library(coda)
load('jags.out.Rdata')
# 1. calculate max.gd.vec,
# max.gd.vec is a vector of the maximum shrink factor
max.gd.vec <- apply(gelman.plot(jags.out)$shrink[, ,'median'], 1, max)
# 2. will use window() to subsample the jags.out mcmc.object
# 3. start window at min(where max.gd.vec < 1.1, 100)
window.start <- max(100, min(as.numeric(names(which(max.gd.vec - 1.1 < 0)))))
jags.out.trunc <- window(jags.out, start = window.start)
# 4. calculate thinning interval
# thin.int is the chain thin interval
# step is very slow
# 4.1 find n most autocorrelated variables
n = min(3, ncol(acm))
acm <- autocorr.diag(jags.out.trunc)
acm.subset <- colnames(acm)[rank(-colSums(acm))][1:n]
jags.out.subset <- jags.out.trunc[,acm.subset]
# 4.2 calculate the thinning interval
# ac.int is the time step interval for autocorrelation matrix
ac.int <- 500 #set high to reduce computation time
thin.int <- max(apply(acm2 < 0, 2, function(x) match(T,x)) * ac.int, 50)
# 4.3 thin the chain
jags.out.thin <- window(jags.out.trunc, thin = thin.int)
# 5. plots for visual diagnostics
plot(jags.out.thin)
autocorr.plot(jags.win.out.thin)
--оновити--
Як реалізовано в R, обчислення матриці автокореляції відбувається повільніше, ніж хотілося б (> 15 хв у деяких випадках), меншою мірою, як і обчислення коефіцієнта скорочення ГР. Тут є питання про те, як пришвидшити крок 4 для stackoverflow тут
--оновіть частину 2--
додаткові відповіді:
Неможливо діагностувати конвергенцію, лише діагностувати відсутність конвергенції (Брукс, Джудічі та Філіпп, 2003)
Функція autorun.jags з пакету runjags автоматизує розрахунок діапазону пробігу та діагностики конвергенції. Він не починає контролювати ланцюг, поки діагностика рубіну Гельмана не буде нижче 1,05; він обчислює довжину ланцюга за допомогою діагностики Рафті і Льюїса.
Гельман та ін. (Gelman 2004 Bayesian Data Analysis, p. 295, Gelman and Shirley, 2010 ) стверджують, що вони використовують консервативний підхід до відкидання першої половини ланцюга. Хоча відносно просте рішення, на практиці цього достатньо для вирішення проблеми для мого конкретного набору моделей та даних.
#code for answer 3
chain.length <- summary(jags.out)$end
jags.out.trunc <- window(jags.out, start = chain.length / 2)
# thin based on autocorrelation if < 50, otherwise ignore
acm <- autocorr.diag(jags.out.trunc, lags = c(1, 5, 10, 15, 25))
# require visual inspection, check acceptance rate
if (acm == 50) stop('check acceptance rate, inspect diagnostic figures')
thin.int <- min(apply(acm2 < 0, 2, function(x) match(TRUE, x)), 50)
jags.out.thin <- window(jags.out.trunc, thin = thin.int)