Bayesplot 包：可视化贝叶斯模型

点击下方公众号，回复资料分享，收获惊喜

简介

Bayesplot^[1]包，提供了广泛的绘图函数库，用于在拟合贝叶斯模型后使用（通常使用 MCMC ）。由 bayesplot 创建的图形是 ggplot 对象，这意味着在创建图形后，可以使用 ggplot2^[2] 包中的各种函数进一步自定义。

目前，bayesplot 提供了各种后验抽样绘图、视觉 MCMC 诊断和图形后验（或先验）预测检查的绘图功能。未来的版本将添加其他功能（例如，用于预测/样本外预测和其他推断相关任务）。

Cheat sheet

bayesplot 的理念不仅是为用户提供方便的功能，还提供了一个共同的函数集，可以轻松地由开发人员在各种贝叶斯建模包上使用，特别是（但不一定是）由 RStan^[3] 提供支持的包。

官网首页

关于贝叶斯分析的推文，小编还写了：贝叶斯 RStan 包入门教程、资料分享｜贝叶斯数据分析、从贝叶斯滤波到粒子滤波。

安装

从 CRAN 安装最新版本：

install.packages("bayesplot")

从 GitHub 安装最新的开发版本：

if (!require("devtools")) {
install.packages("devtools")
}
devtools::install_github("stan-dev/bayesplot")

例子1：回归模型

利用rstanarm^[4]和rstan^[5]包获得 MCMC 样本，根据这个抽样样本，我们给出 bayesplot 包的入门示例。其他更加详细的教程可见：

• Plotting MCMC draws using the bayesplot package^[6]
• Visual MCMC diagnostics using the bayesplot package^[7]
• Graphical posterior predictive checks using the bayesplot package^[8]

我们以 mtcars 数据集作为例子，使用 stan_glm() 构建贝叶斯框架下的回归模型。根据后验样本，使用 bayesplot 包中的各种函数进行可视化。

library("bayesplot")
library("rstanarm")
library("ggplot2")

fit <- stan_glm(mpg ~ ., data = mtcars)
posterior <- as.matrix(fit)

• 使用 mcmc_areas() 绘制后验分布的面积图

plot_title <- ggtitle("Posterior distributions",
                      "with medians and 80% intervals")
mcmc_areas(posterior,
           pars = c("cyl", "drat", "am", "wt"),
           prob = 0.8) + plot_title

使用 mcmc_areas() 绘制面积图

• 使用 ppc_dens_overlay() 绘制预测分布和真实分布

color_scheme_set("red")
ppc_dens_overlay(y = fit$y,
                 yrep = posterior_predict(fit, draws = 50))

使用 ppc_dens_overlay() 绘制预测分布和真实分布

• 使用 ppc_stat_grouped() 绘制预测分布柱状图

# also works nicely with piping
library("dplyr")
color_scheme_set("brightblue")
fit %>%
  posterior_predict(draws = 500) %>%
  ppc_stat_grouped(y = mtcars$mpg,
                   group = mtcars$carb,
                   stat = "median")

使用 ppc_stat_grouped() 绘制预测分布柱状图

例子2: rstan 中的八校数据

使用《贝叶斯数据分析》中最经典的八校数据进行分析。具体可见推文：贝叶斯 RStan 包入门教程。

library("rstan")
fit2 <- stan_demo("eight_schools", warmup = 300, iter = 700)
posterior2 <- extract(fit2, inc_warmup = TRUE, permuted = FALSE)

• 使用 mcmc_trace() 绘制各链轨迹图

color_scheme_set("mix-blue-pink")
p <- mcmc_trace(posterior2,  pars = c("mu", "tau"), n_warmup = 300,
                facet_args = list(nrow = 2, labeller = label_parsed))
p + facet_text(size = 15)

使用 mcmc_trace() 绘制各链轨迹图

• 使用 mcmc_scatter() 绘制散点图

# scatter plot also showing divergences
color_scheme_set("darkgray")
mcmc_scatter(
  as.matrix(fit2),
  pars = c("tau", "theta[1]"), 
  np = nuts_params(fit2), 
  np_style = scatter_style_np(div_color = "green", div_alpha = 0.8)
)

使用 mcmc_scatter() 绘制散点图

• 使用 mcmc_nuts_energy() 进行 NUTS 能量诊断

color_scheme_set("red")
np <- nuts_params(fit2)
mcmc_nuts_energy(np) + ggtitle("NUTS Energy Diagnostic")

使用 mcmc_nuts_energy() 进行 NUTS 能量诊断

小编有话说

• 读者可以使用自己数据集在贝叶斯框架下进行分析，之后使用本文的 R 包进行结果可视化。

参考资料

[1]

Bayesplot: https://mc-stan.org/bayesplot/index.html

[2]

ggplot2: https://ggplot2.tidyverse.org/

[3]

RStan: https://mc-stan.org/rstan/

[4]

rstanarm: https://mc-stan.org/rstanarm/

[5]

rstan: https://mc-stan.org/rstan/

[6]

Plotting MCMC draws using the bayesplot package: https://mc-stan.org/bayesplot/articles/plotting-mcmc-draws.html

[7]

Visual MCMC diagnostics using the bayesplot package: https://mc-stan.org/bayesplot/articles/visual-mcmc-diagnostics.html

[8]

Graphical posterior predictive checks using the bayesplot package: https://mc-stan.org/bayesplot/articles/graphical-ppcs.html

相关推文指南