RStan / PyStan 開発版を GitHub からインストールする - StatsFragments
最近ちょっとした事情で Stan を使いたく、状態空間モデルの勉強とあわせて こんな感じ でやっている。その環境構築ネタ。 補足 Stan って何？という方は StanTutorial がわかりやすい。 Stan の公式バインディングとしては R 用の RStan、Python 用の Pystan、コマンドライン用の CmdStanと 3 つある。うち、自分が使うのは RStan と PyStan。 RStan Getting Started · stan-dev/rstan Wiki · GitHub Getting started — PyStan 2.5.0.2dev documentation これらの標準版のインストールについては、上のドキュメントに OS 別のハマりどころも含めて整理されていてよい。標準版しか使わないよ、という方は上だけ読んでおけば OK。 自分はある issu
Stan: Proper CAR model: Taglibro de H
Stanによる空間自己相関モデリングをいろいろ模索して、 『Ｒによる空間データの統計分析』や 『The BUGS Book』 をみていたのですが、Proper CAR modelならできそうな気がしてきたので、ためしてみました。 Proper CAR modelでは場所間の誤差Sは以下のようにあたえられます(The BUGS Book 11.3.4)。 ここで、Cは重み行列で、場所i, j間の重みwijについて、Cij = wij/wi+としたもの（wi+ = Σjwij）です。また、γは自己相関の強さのパラメーター、Mは対角行列でMii = 1/wi+です。 データには例によって『みどりぼん』11章のものをつかって、以下のようなコードをかいてみました。ほぼそのままStanコードにうつしてあります。 [追記: γは(-1, 1)の範囲しかとらないので、parametersブロックでの変数宣
Rstanでワイブル回帰の推定 | gepulog
data { int<lower=1> J; // number of data int status[J]; real<lower=0> tt[J]; real x[J]; } parameters { real<lower=1, upper=3> m; real beta; real beta0; } transformed parameters { real<lower=0> eta[J]; for (j in 1:J) eta[j] <- exp(beta * x[j] + beta0); } model { for(j in 1:J){ if(status[j] == 1){ increment_log_prob(weibull_log(tt[j], m, eta[j])); } if(status[j] == 0){ increment_log_prob(weibull_ccd
二番目に簡単な rstan コード - Qiita
library(rstan) N <- 1000 x <- rnorm(N, mean = 50, sd = 10) y <- 10 + 0.8 * x + rnorm(N, mean =0, sd = 7) stancode <- ' data{ int<lower=0> N; real x[N]; real y[N]; } parameters { real alpha; real beta; real<lower=0> s; } model{ for(i in 1:N) y[i] ~ normal(alpha + beta * x[i], s); alpha ~ normal(0, 100); beta ~ normal(0, 100); s ~ inv_gamma(0.001, 0.001); } ' datastan <- list(N=N, x=x, y=y) fit <- s
Stan で相関係数を推定する - Qiita
library(rstan) N <- 1000 x <- rnorm(N, mean = 50, sd = 10) y <- 10 + 0.8 * x + rnorm(N, mean =0, sd = 7) data <- data.frame(x, y) stancode <- ' data{ int<lower=0> N; vector[2] y[N]; } parameters { vector[2] mu; real<lower=0> var_x; real<lower=0> var_y; real cov; } transformed parameters { matrix[2,2] sigma; sigma[1,1] <- var_x; sigma[2,1] <- cov; sigma[1,2] <- cov; sigma[2,2] <- var_y; } model{ fo
Rstanのインストール - 驚異のアニヲタ社会復帰の予備
巷で話題のRstanをインストールだけしておいた。 OSはubuntu 12.04 LTS. なんか困ったらhttp://heartruptcy.blog.fc2.com/かAnalyze IT.を見れば問題ない。 # 依存関係 install.packages("inline") install.packages("Rcpp") install.packages("coda") # あると便利 # Rstan options(repos = c(getOption("repos"), rstan = "http://wiki.rstan-repo.googlecode.com/git/")) install.packages('rstan', type = 'source') Eight Schoolsの例をとりあえずやってみる。計算結果のstanfitクラスオブジェクトのデフォルトプロ
逐次モンテカルロ/(粒子|パーティクル|モンテカルロ)フィルタを実装してみた - My Life as a Mock Quant
このポストの概要 逐次モンテカルロ法 (Sequential Monte Carlo: SMC)/粒子フィルタ(Particle Filter)は、状態空間モデルの状態変数の系列を観測値の系列 のみから推定するアルゴリズム パッケージを使ってもいいんだど、お勉強も兼ねて自分でコード書いてみましたというお話(コアの部分だけならRで30行弱) コードは固定ラグ平滑化にまで対応(自己組織化 or フルベイズでのパラメータ推定系の機能はなし） 状態空間モデルの細かい話は適当な教科書読みましょう 逐次モンテカルロ/粒子(パーティクル)フィルタとは 逐次モンテカルロ法 (Sequential Monte Carlo: SMC)/粒子フィルタ(Particle Filter)は、線形状態空間モデルに対してはカルマンフィルタを使うように、非線形状態空間モデルに対して状態変数の推定を行うアルゴリズムです。具
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Ninja 2.0.0 released!
Stan で increment_log_prob() - Qiita
stanで階層ベイズ（空間構造を入れる） | @DataSci
RStan Getting Started