时间戳

首页 > 解决方案 > 如何迭代拟合 brms 回归模型并将均值和 sigma 提取到数据框

r - 如何迭代拟合 brms 回归模型并将均值和 sigma 提取到数据框

问题描述

鉴于sampleDT下面的示例数据，我将不胜感激任何帮助以迭代地将 brms 模型拟合到 n 次以下，并且每次从 brmsfit 对象中提取meansand并将它们添加到 data frame 。sigmabrm.fit.nsampleDT

如果n=10，那么应该有 10 列means和 10 列sigma添加到数据框中。

我在下面的尝试没有按预期工作。它允许我运行 brms 模型n时间并生成时间means和sigma n时间，但不会按预期将它们添加到数据框中 - 每个平均值一列，每次运行的每个 sigma 一列。

＃样本数据

sampleDT<-structure(list(id = 1:10, N = c(10L, 10L, 10L, 10L, 10L, 10L, 
    10L, 10L, 10L, 10L), A = c(62L, 96L, 17L, 41L, 212L, 143L, 143L, 
    143L, 73L, 73L), B = c(3L, 1L, 0L, 2L, 170L, 21L, 0L, 33L, 62L, 
    17L), C = c(0.05, 0.01, 0, 0.05, 0.8, 0.15, 0, 0.23, 0.85, 0.23
    ), employer = c(1L, 1L, 0L, 1L, 0L, 1L, 1L, 0L, 0L, 0L), F = c(0L, 
    0L, 0L, 0L, 0L, 1L, 1L, 1L, 1L, 1L), G = c(1.94, 1.19, 1.16, 
    1.16, 1.13, 1.13, 1.13, 1.13, 1.12, 1.12), H = c(0.14, 0.24, 
    0.28, 0.28, 0.21, 0.12, 0.17, 0.07, 0.14, 0.12), dollar.wage_1 = c(1.94, 
    1.19, 3.16, 3.16, 1.13, 1.13, 2.13, 1.13, 1.12, 1.12), dollar.wage_2 = c(1.93, 
    1.18, 3.15, 3.15, 1.12, 1.12, 2.12, 1.12, 1.11, 1.11), dollar.wage_3 = c(1.95, 
    1.19, 3.16, 3.16, 1.14, 1.13, 2.13, 1.13, 1.13, 1.13), dollar.wage_4 = c(1.94, 
    1.18, 3.16, 3.16, 1.13, 1.13, 2.13, 1.13, 1.12, 1.12), dollar.wage_5 = c(1.94, 
    1.19, 3.16, 3.16, 1.14, 1.13, 2.13, 1.13, 1.12, 1.12), dollar.wage_6 = c(1.94, 
    1.18, 3.16, 3.16, 1.13, 1.13, 2.13, 1.13, 1.12, 1.12), dollar.wage_7 = c(1.94, 
    1.19, 3.16, 3.16, 1.14, 1.13, 2.13, 1.13, 1.12, 1.12), dollar.wage_8 = c(1.94, 
    1.19, 3.16, 3.16, 1.13, 1.13, 2.13, 1.13, 1.12, 1.12), dollar.wage_9 = c(1.94, 
    1.19, 3.16, 3.16, 1.13, 1.13, 2.13, 1.13, 1.12, 1.12), dollar.wage_10 = c(1.94, 
    1.19, 3.16, 3.16, 1.13, 1.13, 2.13, 1.13, 1.12, 1.12)), row.names = c(NA, 
    -10L), class = "data.frame")

#我的尝试

map_dfc(1:10, function(i) {
        brm.fit.n <-brm(dollar.wage_1 ~ A + B + C + employer + F + G + H,
                data=sampleDT, iter = 200, family = gaussian())
        sampleDT$mean.n<-fitted(brm.fit.n)[, 1]
        sampleDT$sd.n<-summary(brm.fit.n)$spec_pars[1]
        return(sampleDT)
    })

这个问题也已经发布在这里。提前感谢您的帮助。

标签： rfunctiondata.tabletidyrrstan

解决方案

将现有代码调整为函数需要做的两件事是：

  • 重复拟合n时间
  • 将输出保存在一个漂亮的结构中

有很多方法可以做这两个部分，一个选项是purrr::map_dfr可以同时做这两个部分，多次应用拟合并创建一个数据框。

我没有使用需要一些时间来拟合的brm模型，而是将简单的线性模型拟合到随机数据，您只需用拟合代码替换这些部分并保存均值和 sd 而不是截距和斜率：

library(purrr)

# 1:10 - will repeat 10 times
map_dfr(1:10, function(i) {
    random_data = data.frame(
        x = rnorm(30),
        y = rnorm(30)
    )
    fit = lm(y ~ x, data = random_data)
    intercept = coef(fit)[1]
    slope = coef(fit)[2]
    return(data.frame(intercept, slope))
}, .id = "sim_num")

它给出了一个数据框作为输出：

   sim_num    intercept       slope
1        1  0.274903632 -0.03529736
2        2 -0.005134599 -0.22063748
3        3 -0.134999713  0.12090366
4        4 -0.216886033  0.21265679
5        5  0.261365432  0.02434036
6        6  0.067069791  0.23180334
7        7 -0.235138217  0.28360061
8        8 -0.117489553  0.10781101
9        9 -0.150288480  0.03086797
10      10 -0.031814194 -0.04075479

推荐阅读