f<-列表( y~dnorm（mu，sigma）， μ~dnorm（0，10）， σ~dexp（1） ) install.packages（c（“coda”，“mvtnorm”，“devtools”，“loo”，“dagitty”，“shape”） devtools:：install_github（“rmcelreath/rethinking”） install.packages（c（“coda”，“mvtnorm”，“devtools”，“loo”，“dagitty”） 开发工具：：install_github（“rmcelreath/ 重新思考@slim ") 图书馆（反思） f<-列表( y~dnorm（mu，sigma）， μ~dnorm（0，10）， σ~dexp（1） ) 适合<-quap（ f、， 数据=列表（y=c（-1,1））， 开始=列表（mu=0，sigma=1） ) 平均sd 5.5%94.5% 亩0.00 0.59-0.95 0.95 西格玛0.84 0.33 0.31 1.36 fit_stan<-ulam（f，数据=列表（y=c（-1,1））） 平均sd 5.5%94.5%n_eff Rhat 西格玛1.45 0.72 0.67 2.84 145 1 亩0.12 1.04-1.46 1.59 163 1 数据{ 实y[2]； } 参数{ 实际<下限=0>σ； 实亩； } 模型{ σ~指数（1）； mu~正态（0,10）； y~正态（mu，sigma）； } fit_stan<-乌兰姆( 拥护者( y~正常（mu，sigma）， mu~正常（0，10）， σ~指数（1） )，数据=列表（y=c（-1,1）） #准备数据 数据（UCBadmit） UCBadmit$male<-as.integer（UCBadmit$applicationr.gender==“male”） UCBadmit$部门<-rep（1:6，每个=2） UCBadmit$applicant.gender<-空 #可变截获模型 m_glmm1<-ulam( 拥护者( 承认~二项式（应用，p）， logit（p）<-a[部门]+b*男性， a[dept]~正常（abar，sigma）， abar~正常（0,4）， σ~半正态（0,1）， b~正常（0,1） )，数据=UCBadmit） m_glmm2<-ulam( 拥护者( 承认~二项式（应用，p）， logit（p）<-a[部门]+b[部门]*男性， c（a，b）[dept]~多重正规（c（abar，bbar），Rho，sigma）， abar~正常（0,4）， bbar~正常（0,1）， σ~半正态（0,1）， Rho~lkjcorr（2） ), 数据=UCBadmit） m_glmm3<-ulam( 拥护者( 承认~二项式（应用，p）， logit（p）<-v[dept，1]+v[dett，2]*男性， 向量[2]：v[dept]~multi_normal（c（abar，bbar），Rho，sigma）， abar~正常（0,4）， bbar~正常（0,1）， σ~半正态（0,1）， Rho~lkjcorr（2） ), 数据=UCBadmit） m_glmm4<-ulam( 拥护者( 承认~二项式（应用，p）， logit（p）<-v[dept，1]+v[dett，2]*男性， 向量[2]：v[dept]~multi_normal（v_mu，Rho，sigma）， 向量[2]：v_mu~法线（0,1）， σ[1]~半正规（0,1）， σ[2]~半正规（0,2）， Rho~lkjcorr（2） ), 数据=UCBadmit） m_glmm5<-乌兰姆( 拥护者( 承认~二项式（应用，p）， logit（p）<-v_mu[1]+v[dept，1]+（v_mu[2]+v[dept，2]）*男性， 矩阵[dept，2]：v<-t（diag_pre_multiply（sigma，L_Rho）*z）， 矩阵[2，dept]：z~正规（0，1）， 向量[2]：v_mu[[1]~法线（0,4）， 向量[2]：v_mu[2]~法线（0,1）， 向量[2]：sigma~half_normal（0,1）， cholesky_factor_corr[2]：L_Rho~lkj_cor_cholesky（2） ), 数据=UCBadmit） m_glmm1<-ulam( 拥护者( 承认~二项式（应用，p）， logit（p）<-a[部门]+b*男性， a[dept]~正常（abar，sigma）， abar~正常（0,4）， σ~半正态（0,1）， b~正常（0,1） )，数据=UCBadmit，log_lik=TRUE） WAIC（m_glmm1） 生成的数量{ 向量[12]log_lik； 向量[12]p； 对于（1:12中的i）{ p[i]=a[部门[i]]+b*男性[i]； p[i]=库存记录（p[i]）； } 对于（1:12中的i）log_lik[i]=二项式lpmf（允许[i]|应用[i]，p[i]）； } #零膨胀泊松 #gen数据优先-文本示例 prob_drink<-0.2#20%天 rate_work<-1平均每天1份手稿 N<-365 饮料<-rbinom（N，1，prob_drink） y<-作为整数（（1-饮料）*rpois（N，rate_work）） x<-rorm（N）#伪协变量 #现在的ulam代码 m_zip<-ulam( 拥护者( y|y==0~自定义（log_mix（p，0，poisson_lpmf（0|lambda）））， y|y>0~自定义（log1m（p）+poisson_lpmf（y|lambda））， logit（p）<-ap， 对数（λ）<-al+bl*x， ap~dnorm（0,1）， al~dnorm（0,10）， bl~正常（0,1） ) , 数据=列表（y=y，x=x） 用于（1:365中的i） 如果（y[i]>0）目标+=log1m（p）+泊松lpmf（y[i]|lambda[i]）； 用于（1:365中的i） 如果（y[i]==0）目标+=log_mix（p，0，poisson_lpmf（0|lambda[i]））； UCBadmit$男2<-UCBadmit$男 UCBadmit$male2[1:2]<-（-1）#缺失代码 UCBadmit$male2<-as.integer（UCBadmit$male2） m_mix<-ulam( 拥护者( admin|male2==-1~自定义（log_mix（ phi_尺寸， 二项式lpmf（允许|应用程序，pm1）， 二项式lpmf（允许|应用程序，p_m0））， 承认|male2>-1~二项式（应用程序，p）， logit（p）<-a[部门]+b*男性2， logit（p_m1）<-a[部门]+b*1， logit（p_m0）<-a[部门]+b*0， 雄性2 |雄性2>-1~伯努利（phi _ male）， phi_male~β（2,2）， a[dept]~正常（0,4）， b~正常（0,1） ), 数据=UCBadmit） UCBadmit$x<-rnorm（12） UCB限额$x[1:2]<-不适用 m_miss<-乌兰姆( 拥护者( 承认~二项式（应用，p）， logit（p）<-a+b*男性+bx*x_合并， x_合并~正常（0，1）， x_merge<-合并丢失（x，x_impute）， a~正态（0,4）， b~正常（0,1）， bx~正态（0,1） ), 数据=UCBadmit） 数据（Kline2） d<-Kline2 数据（岛屿DistMatrix） d$社会<-1:10 日期<-list( y=d$total_tools， 社会=d$社会， log_pop=日志（d$population）， Dmat=岛屿分布矩阵 ) m_GP1<-ulam( 列表主义者( y~泊松（mu）， log（mu）<-a+aj[society]+b*log_pop， a~正常（0,10）， b~正常（0,1）， 向量[10]：aj~multi_normal（0，SIGMA）， 矩阵[10,10]：SIGMA<-cov_GPL2（Dmat，etasq，rhosq，0.01）， etasq ~指数（1）， rhosq~指数（1） ), 数据=dat） 数据（灵长类301） 数据（灵长类301_distance_matrix） d<-灵长类301 d$name<-as.character（d$name） dstan<-d[完成案例（d$sociallearning，d$research_efort，d$body，d$brain），] #dstan中spp的剪枝距离矩阵 spp_obs<-dstan$name y<-灵长类301_距离矩阵 y2<-y[spp_obs，spp_obs] #缩放距离 y3<-y2/最大值（y2） m_GP2<-ulam( 拥护者( 社交学习~poisson（lambda）， log（λ）<-a+g[spp_id]+b_ef*log_research_efort+b_body*log_body+b_eq*log_brain， a~正态（0,1）， 向量[N_spp]：g<<-L_SIGMA*eta， 向量[N_sp]：η~法线（0，1）， 矩阵[N_spp，N_spp]：L_SIGMA<<-cholesky_decompose（SIGMA）， 矩阵[N_spp，N_spp]：SIGMA<-cov_GPL2（Dmat，etasq，rhosq，0.01）， b体~正常（0,1）， b_eq ~正常（0,1）， bef~正态（1,1）， etasq ~指数（1）， rhosq~指数（1） ), data=列表( N_spp=当前（数据扫描）， social_learning=dstan$社会学习， spp_id=1:nrow（数据扫描）， log_research_efort=日志（dstan$research_ efort）， log_body=日志（dstan$body）， log_brain=日志（dstan$brain）， Dmat=y3 ) , 控制=列表（max_treedepth=15，adapt_delta=0.95）， sample=FALSE） 开发工具：：install_github（“stan-dev/cmdstanr”） N<-1 e4 x<-形式（N） m<-1+用途（N，2） y<-rbinom（N，大小=m，prob=inv_logit（-3+x）） dat<-list（y=y，x=x，m=m） #两个螺纹 m1<-乌兰姆( 拥护者( y~二项式逻辑（m，logit_p）， logit_p<-a+b*x， a~正常（0,1.5）， b~正常（0,0.5） )，数据=dat， cmdstan=TRUE，线程=2，刷新=1000） f4u列表( y~dnorm（mu，sigma）， mu<-a+zaj[组]*sigma组[1]+ （b+zbj[组]*sigma_组[2]）*x， c（zaj，zbj）[group]~dmvnorm（0，Rho_group）， a~dnorm（0，10）， b~dnorm（0，1）， σ~dcauchy（0，1）， sigma_group~dcauchy（0，1）， Rho_group~dlkjcorr（2） ) f4nc列表( y~dnorm（mu，sigma）， mu<-a+aj[组]+（b+bj[组]）*x， c（aj，bj）[组]~dmvnormNC（sigma_group，Rho_group）， a~dnorm（0，10）， b~d形式（0，1）， σ~dcauchy（0，1）， σ群~dcauchy（0，1）， Rho_group~dlkjcorr（2） ) N<-100 N_错过<-10 x<-形式（N） y<-形式（N，2*x，1） x[样本（1:N，大小=N_miss）]<-NA f5列表( y~dnorm（mu，sigma）， μ<-a+b*x， x~dnorm（mux，sigmax）， a~dnorm（0，100）， b~dnorm（0，10）， mux~dnorm（0，100）， σ_x~dcauchy（0,2）， σ~dcauchy（0,2） ) m5<-map2stan（f5，数据=列表（y=y，x=x）） N<-100 N_错过<-10 x<-rbinom（N，大小=1，概率=0.5） y<-形式（N，2*x，1） x[样本（1:N，大小=N_miss）]<-NA f6列表( y~dnorm（mu，sigma）， μ<-a+b*x， x~bernoulli（φ）， a~d形式（0-100）， b~dnorm（0，10）， φ~β（1,1）， σ~dcauchy（0,2） ) m6<-map2stan（f6，数据=列表（y=y，x=x），约束=列表（phi=“下限=0，上限=1”） N<-100 N_错过<-10 x1<-rbinom（N，大小=1，概率=0.5） x2<-rbinom（N，大小=1，概率=0.1） y<-r形式（N，2*x1-x2，1） x1[样本（1:N，大小=N_miss）]<-NA x2[样本（1:N，大小=N_miss）]<-NA f7列表( y~dnorm（mu，sigma）， μ＜-a+b1*x1+b2*x2， x1~伯努利（phi1）， x2~伯努利（phi2）， a~dnorm（0，100）， c（b1，b2）~dnorm（0，10）， phi1~β（1,1）， phi2~β（1,1）， σ~dcauchy（0,2） ) m7<-map2stan（f7，数据=列表（y=y，x1=x1，x2=x2）， 约束=列表（phi1=“下限=0，上限=1”，phi2=“下限=0，上限=1”） m6<-map2stan（f6，数据=列表（y=y，x=x），约束=列表（phi=“下限=0，上限=1”）， do_discrete_imputation=真） 精度（m6，深度=2） Pr（y[i]）=Pr（x[i]=1）Pr（y[i]|x[i]=1）+Pr（x[i]=0）Pr Pr（y[i]）=φ*N（y[i]|a+b，σ）+（1-phi）*N（y[i]|a，σ Pr（x[i]==1|y[i]）=φ*N（y[i]|a+b，σ）/Pr（y[i]） Pr（y[i]）=Pr（x1=1）Pr（x2=1）*Pr（y[i]| x1=1，x2=1 Pr（y[i]|x2[i]==1）=Pr（x1=1）Pr=0，x2=1） =[Pr（x1=1）Pr（x2=1）+Pr（x1=1）Pr +[Pr（x1=0）Pr（x2=1）+Pr（x1=0.）Pr =Pr（x1=1）Pr（y[i]|x1=1，x2=1）+Pr（x1=0）Pr 合并<-2^n d<-矩阵（NA，nrow=n组合，ncol=n） for（col_var in 1:n） d[，col_var]<-rep（0:1，each=2^（col_var-1），length.out=合并） k（i，j）=eta^2*exp（-rho^2*D（i，j）^2）+ifelse（i==j，sigma^2,0） 图书馆（反思） 数据（Kline2） d<-Kline2 数据（岛屿DistMatrix） d$社会<-1:10 mGP<-map2stan( 拥护者( total_tools~dpois（mu）， log（mu）<-a+aj[社会]， a~dnorm（0,10）， aj[社会]~GPL2（Dmat，etasq，rhosq，0.01）， etasq~dcauchy（0,1）， rhosq~dcauchy（0,1） ), data=列表( total_tools=d$总工具， 社会=d$社会， Dmat=岛屿DistMatrix）， constraints=列表( etasq=“lower=0”， rhosq=“下限=0” ), 预热=1000，iter=5000，链条=4）
mu.Africa.mean<-适用（mu.Africa，2，平均值） 应用时出错（mu.Africa，2，mean）：dim（X）必须为正数
mu.Africa.mean<-apply（亩非洲$亩，2，平均值）
