甘肃龙网

  1. 首页 > 生活 > >

4.2 .The inla function( 二 )

生活百科精度

<- list(prec = list(prior = "pc.prec", param = c(1, 0.01)))

4.2 .The inla function

文章插图
将模型转化为R代码，用下面的公式:
formula <- r ~ f(hospital, model = "iid", hyper = prior.prec)
然后，我们调用inla()指定公式、数据、族和试验次数 。我们添加了控制 。= list( = TRUE)计算参数的后边缘，pute = list(dic = TRUE)表示应该计算dic 。
res <- inla(formula,data = http://www.kingceram.com/post/Surg, family ="binomial", Ntrials = n,control.predictor = list(compute = TRUE),control.compute = list(dic = TRUE))
4.4.3
当执行inla()时，我们得到一个类inla的对象，该对象包含了拟合模型的信息，包括固定效应、随机效应、超参数、线性预测因子和拟合值的摘要和后缘密度 。返回对象res的摘要可以通过(res)查看 。
summary(res)
res$dic$dic
结果：
[1] 74.93
可以通过输入res$.fixed来获得固定影响的摘要 。这将返回一个数据框架，包括后验的平均值、标准差、2.5、50和97.5百分位数以及模型 。kld列代表对称的-差异（ and , 1951），描述了每个后验的高斯和简化或完全拉普拉斯近似之间的差异 。
res$summary.fixed
res$summary.random
res$summary.hyperpar
在执行inla()时，如果在.中设置 = TRUE，返回的对象还包括以下对象 。
请注意，如果一个观察值是NA，那么使用的链接函数是相同的 。如果我们希望.fit.和.fit.包含转化后的规模的拟合值，我们需要在.中设置适当的链接 。另外，我们也可以使用inla.()函数手动转换inla对象中的边际 。
我们的例子中预测的死亡率可以通过res$..获得 。
res$summary.fitted.values
mean列显示了，医院2、8和11是死亡率后验平均值最高的医院 。
列 0.和0.两栏包含了死亡率95%可信区间的下限和上限，并提供了不确定性的测量 。
4.2 .The inla function

文章插图
我们还可以通过输入res$.fixed获得一个包含固定e?ects的后验边缘的列表，通过输入.和.分别获得包含随机e?ects和超参数的后验边缘的列表 。边际是指包含两列矩阵的列表 。第x列代表参数的值，第y列是密度 。R-INLA集成了几个函数来操作后验边际 。例如，inla.()和inla.()分别计算后验边际的期望值和量值 。inla.()可用于获得样条平滑，inla.()可用于转换边际，inla.()提供汇总统计 。
在我们的例子中，固定e?ects的后验边际的第一个元素，res$.fixed[[1]]，包含截距α的后验元素 。我们可以应用inla.()来获得边际密度的样条平滑，然后用软件包的()函数来绘制（图4.1） 。
library(ggplot2) alpha <- res$marginals.fixed[[1]] ggplot(data.frame(inla.smarginal(alpha)), aes(x, y)) +geom_line() + theme_bw()
分位数和分布函数分别由inla.()和inla.()给出 。我们可以得到α的分位数0.05，然后画出α低于这个分位数的概率如下:
quant <- inla.qmarginal(0.05, alpha) quant
[1] -2.782
inla.pmarginal(quant, alpha)
【4.2 .The inla function】


上一篇：农药灭草松对玉米有药害吗？

下一篇：如何提高苹果着色