在 rstanarm 贝叶斯回归中标准化先验答案

【问题标题】：Standardizing priors in rstanarm Bayesian regressions在 rstanarm 贝叶斯回归中标准化先验
【发布时间】：2019-04-11 02:28:03
【问题描述】：

我不确定我的结果是否可信。

假设我用信息先验拟合了这个模型：

library(rstanarm)
data <- iris[, c("Sepal.Length", "Petal.Width")]
model1 <- stan_glm(Sepal.Length ~ Petal.Width, data=iris, prior=normal(2, 3, autoscale=FALSE))

然后，我想用标准化数据更新模型，看看标准化如何改变系数。

model2 <- update(model1, data=as.data.frame(scale(iris)))

但是，我担心模型 2 的结果不能被“信任”，因为它们考虑到为模型 1 设置的非标准化先验，因此它们可能存在错误（即不必要的）偏见。

有没有办法“标准化”先验，以便我可以将它们传递给 update 函数，以便模型 1 的先验集进行必要的修改，等同于模型 2 中的那些？

注意：由于我分析的性质，我无法避免使用update。

非常感谢！

【问题讨论】：

标签： r bayesian stan rstan rstanarm

【解决方案1】：

如果您在调用normal 或其他一些先验函数时最初指定autoscale = FALSE，然后尝试使用不同或转换后的数据来update，我怀疑先验的规模是否会在第二次正确校准。但是，如果您指定 autoscale = TRUE，那么它本质上会在内部将先验缩放为标准化单位，在这种情况下，使用新数据更新就可以了，尽管内部重新缩放会有所不同。

【讨论】：

好的，如果我理解的话，在使用不同的数据进一步更新之前，必须在初始模型中指定autoscale=TRUE。
强制可能是一个过于强烈的词，但是如果您要更新数据并且更新的数据具有不同的比例，并且如果您不使用autoscale = TRUE，并且如果您不使用@987654327 @，那么你在调用update时也应该更改prior。