RUNJAGS设置种子，没有事先进行模拟

Question

我正在使用runjags从正态分布中抽取一些数据。对于我用于模拟的参数，我没有任何先验。似乎runjages不使用参数来修复种子：list(".RNG.name"="base::Super-Duper", ".RNG.seed"=1)。我把论点改为list(muOfClustsim=rep(1, npop), ".RNG.name"="base::Super-Duper", ".RNG.seed"=1)，但它也不起作用。有没有办法在runjags中修复这些模型的种子？

这是一个可重复性最小的示例：

library(runjags)

npop=3
nrep=10
sdpop=7
sigma=5
seed=4

set.seed(seed)
N = npop*nrep # nb of observations

## Population identity of each individual used to sample genotypes but not used for common garden test
pop <- rep(1:npop, each=nrep)

muOfClustsim <- rnorm(npop, 0, sdpop) # vector of population means
(tausim <- 1/(sigma*sigma)) # precision of random individual error

# parameters are treated as data for the simulation step
data <- list(N=N, pop=pop, muOfClustsim=muOfClustsim, tausim=tausim)

## JAG model
txtstring <- "
data{
  # Likelihood:
  for (i in 1:N){
    ysim[i] ~ dnorm(eta[i], tausim) # tau is precision (1 / variance)
    eta[i] <- muOfClustsim[pop[i]]
  }

}

model{
fake <- 0
}
"
## Initial values with seed for reproducibility
initssim <- list(".RNG.name"="base::Super-Duper", ".RNG.seed"=1)
##initssim <- list(muOfClustsim=rep(1, npop), ".RNG.name"="base::Super-Duper", ".RNG.seed"=1)
## Simulate with jags
set.seed(seed)
out <- run.jags(txtstring, data = data, monitor=c("ysim"), sample=1, n.chains=1, inits=initssim, summarise=FALSE)
## reformat the outputs
(ysim1 <- coda::as.mcmc(out)[1:N])

set.seed(seed)
out <- run.jags(txtstring, data = data, monitor=c("ysim"), sample=1, n.chains=1, inits=initssim, summarise=FALSE)
## reformat the outputs
(ysim2 <- coda::as.mcmc(out)[1:N])

identical(ysim1, ysim2)

Answer 1

.RNG.name / .RNG.seed / .RNG.state初始值适用于模型（或更具体地说，模型中的链），并且不在数据块中使用。这意味着（据我所知），无法在JAGS <= 4.3中对数据块内的任何随机表示进行再现。这是可以为未来版本的JAGS添加的东西，但它是一个低优先级我担心，因为在将数据传递给JAGS之前模拟R中的数据总是可能的（通常更好）。

在您的情况下，答案（假设您要使用JAGS）是在模型块而不是数据块中进行模拟：

txtstring <- "
model{
  # Likelihood:
  for (i in 1:N){
    ysim[i] ~ dnorm(eta[i], tausim) # tau is precision (1 / variance)
    eta[i] <- muOfClustsim[pop[i]]
  }
}
"

然后，其余代码按预期运行§。值得注意的是，数据模拟通常比JAGS更适合R，但我假设在这种情况下有一个特定的原因要使用JAGS ......

马特

---

§虽然你通常不应该期望严格的双打相等，例如：

    identical(0.1+0.2, 0.3)

但：

    abs(0.3 - (0.1+0.2)) < sqrt(.Machine$double.eps)

甚至更好：

    isTRUE(all.equal(0.1+0.2, 0.3))

这非常值得一看：https://www.youtube.com/watch?v=3Bu7QUxzIbA&t=1s