在JAGS中，随机节点如何工作？

Question

...以及与y [I]〜dnorm（m [i]，tau）vs y [I]

考虑两行代码：

`for(I in 1:length(y)) {
y[i] ~ dnorm(m[i],tau)  #---> Jags code (stochastic node)
m[i] = alpha + beta*(x[i] - x_bar)
.
.
}
y[i] <- dnorm(n,m[i],tau)?) ---> R`
在Jags中，由于未在dnorm函数中指定n值，将是n个值？ （dnorm（m [i]，tau））

对于每个i，dnorm函数是否相对于平均值m [I]计算每个y值的密度值，平均值m [I]具有由确定性节点和tau（precision）确定的线性关系？

总之，我想知道dnorm或任何其他密度函数将使用什么n值进行分布（dgamma或dbeta）。

...以及〜符号与y [I]〜dnorm（m [i]，tau）vs y [I] ...]中的R相比是什么意思>

在这种特定情况下，y是您的响应变量，m是您的线性预测变量，tau是精度（方差的倒数）。使用~使关系随机。期待JAGS用户手册...

“关系可以有两种类型。随机关系（~）定义一个随机节点，代表模型中的随机变量。确定性关系（<-）定义一个确定性节点的值完全由其父节点的值确定。等号（=）可以代替左箭头（<-）用于确定性关系。“

因此，换言之，假设y中的值是从与m和tau相关的正态分布中得出的。

R中的dnorm计算密度时，JAGS计算对数密度（根据用户手册）。实际上，这种随机关系使您可以使用y和x来估计alpha，beta和tau，在这种情况下，您可以通过对数据生成过程进行分布假设来使用dnorm 。

当然，由于这是贝叶斯分析，因此您需要先验参数。您也可以确定性地计算标准偏差而不是精度。完整的模型看起来像...

model{
# likelihood
for(I in 1:length(y)) {
y[i] ~ dnorm(m[i],tau) 
m[i] <- alpha + beta*(x[i] - x_bar)
}
# priors
tau ~ dgamma(0.001, 0.001)
sd <- 1/ sqrt(tau)
alpha ~ dnorm(0, 0.001)
beta ~ dnorm(0, 0.001)
}

Answer 1

在这种特定情况下，y是您的响应变量，m是您的线性预测变量，tau是精度（方差的倒数）。使用~使关系随机。期待JAGS用户手册...