如何在 brms 中正确使用 set_prior() 以及从矩阵中提取的值，例如prior(normal(priors[i,1],priors[i,2]))

Question

我想在R的 brms model中创建一组参数：

library(brms)

tmp <- prior(normal(10,2), nlpar = "x")

理想情况下，我想从导入的矩阵中提取每个先验（例如normal(10,2) ）的值，例如：

priors <- cbind(c(10,20,30,40), c(2,4,6,8))

i <- 1
tmp <- prior(normal(priors[i,1], priors[i,2]), nlpar = "x")

但是，这给出了以下 output：

#b_x ~ normal(priors[i, 1], priors[i, 2])

而不是数值：

#b_x ~ normal(10, 2)

我意识到这可能是非常基本的，但我无法找出正确的方法来做到这一点。 我试过了：

prior(normal(as.numeric(priors[i,1]), as.numeric(priors[i,2])), nlpar = "x")
prior(normal(as.list(priors[i,1]), as.list(priors[i,2])), nlpar = "x")
prior(normal(paste(priors[i,1]), paste(priors[i,2])), nlpar = "x")
prior(normal(get(priors[i,1]), paste(get[i,2])), nlpar = "x")

有人可以告诉我我要去哪里错了吗？ 通过 position [,] 提取似乎适用于其他功能，例如lm(priors[,1]~priors[,2]) 。

Answer 1

基本上，您希望在将priors[i, 1]和priors[i, 2]传递给prior()时对其进行评估。

priors <- cbind(c(10, 20, 30, 40), c(2, 4, 6, 8))

i <- 1

## use `do.call()`
do.call("prior",
        list(prior = call("normal", priors[i, 1], priors[i, 2]),
             nlpar = "x"))
#b_x ~ normal(10, 2)

## use `eval(call())`
eval(call("prior", call("normal", priors[i, 1], priors[i, 2]), nlpar = "x"))
#b_x ~ normal(10, 2)

虽然这可行，但当我阅读?prior时，我发现建议将分发指定为字符串。 因此，以下也有效。

## I used %d because values in `priors` matrix are integers
## in general, it is safer to use %f for real numbers
eval(call("prior",
          sprintf("normal(%d, %d)", priors[i, 1], priors[i, 2]),
          nlpar = "x"))
#b_x ~ normal(10, 2)

---

笔记：

我也是 brms 的新手，所以老实说，我认为package的另一个答案更自然/更自然。 （这是通过回答问题来学习的好处；我总是从同龄人那里得到有用的反馈。）

如前所述，这是推荐的方式，因为它相当于将先前的超参数作为数据传递给Stan model 。

Answer 2

另一种方法是使用 function brms::stanvar() 。 在此处查看其手册页。 这是有利的，因为您可以在stanvar()中更改先验并重新安装 model 而无需重新编译它。 因为brms是 Stan 的包装器，所以这相当于将先验分布的超参数作为 Stan model 中data块的一部分传递。

对stanvar()的每次调用都需要两个 arguments、值和一个字符串，该字符串是稍后可以在prior()内部使用的变量名。 然后使用+将每个单独的变量组合在一起，并将其传递给brm()的stanvars参数。

对于您的示例，您可以这样做：

prior_params <- stanvar(priors[i, 1], 'prior_mean') + stanvar(priors[i, 2], 'prior_sd')

x_prior <- prior(normal(prior_mean, prior_sd), nlpar = 'x')

brm(..., prior = x_prior, stanvars = prior_params)