R语言rjags使用随机效应进行臭氧数据分析
加载和格式化数据
rm(list=ls())ls()
## [1] "s" "Y"
dim(Y)
## [1] 1106 31
dim(s)
## [1] 1106 2
ns <- nrow(Y)plot(s,axes=FALSE,xlab="",ylab="",main="Monitor locations")
abline(75,0,col=2)
abline(75,0,col=2)
在JAGS中指定模型
Ozone_model <- "model{# Likelihood# Random effectsfor(i in 1:ns){alpha i] ~ dnorm(0, )}for(j in 1:nt){gamma j] ~ dnorm(0, )}# Priorsmu ~ dnorm(0,0.01)# Output the parameters of interestsigma2[1] <- 1/taue] pct[1] <- sigma2[1]/sum(sigma2[]) pct[2] <- sigma2[2]/sum(sigma2[]) pct[3] <- sigma2[3]/sum(sigma2[]) }"
模型
dat <- list(Y=Y,ns=ns,nt=nt)
model1 <- jags.model(textConnection(Ozone_model),inits=init,data = dat, n.chains=1)
## Compiling model graph
## Resolving undeclared variables
## Allocating nodes
## Graph Size: 69733
##
## Initializing model
summary(samp)
##
## Iterations = 10001:30000
## Thinning interval = 1
## Number of chains = 1
## Sample size per chain = 20000
##
## 1. Empirical mean and standard deviation for each variable,
## plus standard error of the mean:
##
## Mean SD Naive SE Time-series SE
## gamma[1] 0.792641 0.646869 4.574e-03 3.521e-02
## gamma[2] -0.005295 0.640672 4.530e-03 3.552e-02
## gamma[3] 1.637455 0.644532 4.558e-03 3.664e-02
## gamma[4] -0.193925 0.648253 4.584e-03 3.685e-02
## gamma[5] -3.486456 0.647315 4.577e-03 3.761e-02
## gamma[6] -3.208898 0.652157 4.611e-03 3.784e-02
## gamma[7] -4.598029 0.646555 4.572e-03 3.636e-02
## gamma[8] -1.152366 0.646559 4.572e-03 3.740e-02
## gamma[9] 2.394293 0.646956 4.575e-03 3.715e-02
## gamma[10] 0.487923 0.644625 4.558e-03 3.733e-02
## gamma[11] 0.460761 0.644827 4.560e-03 3.636e-02
## gamma[12] 0.833041 0.651137 4.604e-03 3.649e-02
## gamma[13] -1.580735 0.651594 4.607e-03 3.672e-02
## gamma[14] -1.585905 0.647296 4.577e-03 3.760e-02
## gamma[15] -1.587356 0.647281 4.577e-03 3.744e-02
## gamma[16] -2.748602 0.644203 4.555e-03 3.740e-02
## gamma[17] -5.031267 0.647277 4.577e-03 3.710e-02
## gamma[18] -4.176877 0.648933 4.589e-03 3.655e-02
## gamma[19] -1.315643 0.648456 4.585e-03 3.730e-02
## gamma[20] 1.023326 0.648118 4.583e-03 3.502e-02
## gamma[21] 2.319419 0.652453 4.614e-03 3.625e-02
## gamma[22] 4.252081 0.642283 4.542e-03 3.672e-02
## gamma[23] 1.674201 0.648382 4.585e-03 3.726e-02
## gamma[24] 3.226205 0.649139 4.590e-03 3.647e-02
## gamma[25] 3.795414 0.650599 4.600e-03 3.717e-02
## gamma[26] 5.847544 0.653161 4.619e-03 3.616e-02
## gamma[27] 0.240722 0.651784 4.609e-03 3.609e-02
## gamma[28] -0.792185 0.649085 4.590e-03 3.542e-02
## gamma[29] 1.314577 0.648981 4.589e-03 3.578e-02
## gamma[30] 2.312463 0.643270 4.549e-03 3.774e-02
## gamma[31] 1.366669 0.645759 4.566e-03 3.719e-02
## pct[1] 0.560401 0.011415 8.072e-05 8.779e-05
## pct[2] 0.413958 0.011479 8.117e-05 9.040e-05
## pct[3] 0.025641 0.007074 5.002e-05 9.037e-05
## sigma[1] 12.948830 0.051492 3.641e-04 3.837e-04
## sigma[2] 11.130828 0.250331 1.770e-03 1.933e-03
## sigma[3] 2.746672 0.378729 2.678e-03 4.721e-03
##
## 2. Quantiles for each variable:
##
## 2.5% 25% 50% 75% 97.5%
## gamma[1] -0.49380 0.36017 0.791847 1.22949 2.05602
## gamma[2] -1.29551 -0.42523 0.001094 0.42257 1.22885
## gamma[3] 0.37334 1.20738 1.636656 2.06665 2.89512
## gamma[4] -1.48133 -0.61898 -0.193318 0.23839 1.07346
## gamma[5] -4.77636 -3.91313 -3.479185 -3.05709 -2.23466
## gamma[6] -4.48775 -3.64108 -3.207367 -2.77563 -1.93379
## gamma[7] -5.87435 -5.02716 -4.594350 -4.16119 -3.34211
## gamma[8] -2.43738 -1.57860 -1.149767 -0.71914 0.10173
## gamma[9] 1.10795 1.97121 2.394399 2.82109 3.66081
## gamma[10] -0.78684 0.05873 0.484838 0.91732 1.75985
## gamma[11] -0.81422 0.02778 0.465699 0.89415 1.72498
## gamma[12] -0.45600 0.40278 0.841823 1.27229 2.09552
## gamma[13] -2.90014 -2.00870 -1.575470 -1.14767 -0.32264
## gamma[14] -2.87864 -2.01064 -1.581978 -1.14763 -0.35096
## gamma[15] -2.86282 -2.01560 -1.583218 -1.15679 -0.32290
## gamma[16] -4.02545 -3.17798 -2.743399 -2.31751 -1.49586
## gamma[17] -6.31465 -5.46146 -5.026931 -4.59211 -3.79179
## gamma[18] -5.46025 -4.60004 -4.176324 -3.74965 -2.91543
## gamma[19] -2.60870 -1.74448 -1.305350 -0.88302 -0.06778
## gamma[20] -0.26230 0.59741 1.024962 1.45275 2.28854
## gamma[21] 1.03505 1.88831 2.319906 2.75294 3.60079
## gamma[22] 2.98850 3.82871 4.256085 4.67533 5.52185
## gamma[23] 0.38791 1.24198 1.677333 2.10926 2.93725
## gamma[24] 1.95181 2.79313 3.226292 3.65460 4.51323
## gamma[25] 2.53324 3.36055 3.793573 4.23512 5.06812
## gamma[26] 4.57296 5.41174 5.848862 6.27689 7.15103
## gamma[27] -1.03397 -0.18368 0.235404 0.67501 1.51956
## gamma[28] -2.06357 -1.22295 -0.794349 -0.35386 0.46984
## gamma[29] 0.02345 0.88405 1.316177 1.74737 2.57636
## gamma[30] 1.04671 1.88275 2.317915 2.74095 3.57092
由此看来,空间位置和误差似乎是变异的最大来源,而且每日随机效应只起很小的作用。
绘制随机效果
sum <- summary(samp)names(sum)
## [1] "statistics" "quantiles" "start" "end" "thin"
## [6] "nchain"q <- sum$quantilesR <- Y-mean(Y,na.rm=TRUE)boxplot(R,xlab="Data",ylab="Ozone (centered)",outline=FALSE,main="Data versus posterior of the random effects")legend("topright",c("Median","95% interval"),lty=1:2,col=2,bg=gray(1),inset=0.05)
R语言rjags使用随机效应进行臭氧数据分析相关推荐
- R语言潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
最近我们被客户要求撰写关于混合效应模型的研究报告,包括一些图形和统计输出. 背景和定义 线性混合模型假设 N 个受试者的群体是同质的,并且在群体水平上由独特的曲线 Xi(t)β 描述.相比之下,潜在类 ...
- 随机森林回归预测r语言_使用随机森林(R语言)做回归
引言 随机森林( random forest) 是一种基于分类树( classification tree) 的算法,它可以用于分类和回归,本文在这里以广西地区1990-2014共25年的GDP数据作 ...
- 利用R语言对泰坦尼克号沉没事件幸存者的数据分析与预测
题外话:在文章正式开始之前,我还是想先写一点题外话,一是为了引出写作这篇博客的目的,二则是希望能够记录下现在的所思所想为以后留个纪念.首先介绍一下自己,毕业3年多的小硕一枚,大学期间学的专业是高分子材 ...
- R语言︱决策树族——随机森林算法
每每以为攀得众山小,可.每每又切实来到起点,大牛们,缓缓脚步来俺笔记葩分享一下吧,please~ --------------------------- 笔者寄语:有一篇<有监督学习选择深度学习 ...
- R语言----决策树与随机森林详解
决策树 首先区分树模型和线性模型的区别: 线性模型: 对所有特征给予权重相加得到一个新的值 (例:逻辑回归通过大于某一概率阈值的划分为一类,小于某一概率阈值的为另一类) 逻辑回归只能找到线性的分割 ( ...
- R语言中实现随机分布
非常多的应用需要用到随机数,而R语言在simulating random numbers非常的有强大的工具可供使用. 在R中各种概率函数都有统一的形式,即一套统一的 前缀+分布函数名: 如: 1. ...
- R语言使用贝叶斯层次模型进行空间数据分析
介绍 最近我们被客户要求撰写关于贝叶斯层次模型的研究报告,包括一些图形和统计输出.在本节中,我将重点介绍使用集成嵌套 拉普拉斯近似方法的贝叶斯推理. 可以 估计贝叶斯 层次模型的后边缘分布. 鉴于模 ...
- R语言 、Excel哪个更能胜任数据分析?
我从事数据分析工作已经有十年之久.最初是出于工作需要,我的经理丢给我一堆数据,我需要处理这些数据.当时我一直使用的工具是 Excel,因为这是我熟练掌握的一款工具. 三年前,我开始接触到 R,一开始因 ...
- R语言互联网金融下的中国保险业数据分析
随着人们对数据分析质量要求的提高以及科学软件的飞速发展, 利用统计软件解读数据渐渐成为了当今人们进行数据分析处理的常用方法. 此报告尝试运用统计软件--R 语言对互联网金融下的中国保险业相关数据进行挖 ...
最新文章
- PAT(甲级)2019年冬季考试 7-2 Block Reversing
- 第四周实践项目6 循环双链表应用
- Uni-Java_Java全栈必备之Uni-App
- vue 在已有的购买列表中(数据库返回的数据)修改商品数量
- 【转】1.A(译).NET4.X 并行任务中Task.Start()的FAQ
- excel自动导出功能_自动关联数据字典---SpringCloud Alibaba_若依微服务框架改造---工作笔记008
- 两个苹果手机共享步数_最新刷步教程 | 蚂蚁森林如何快速刷步数,获得296g能量...
- 为Eclipse安装ADT插件
- pandas库的使用
- Redis(二)Redis客户端的使用
- HashMap源码分析与实现
- HTC6950新手基本操作方法
- 如何解决eclipse桌面快捷方式无法打开,jre or jkd的问题
- R语言(pROC)绘图
- 金山打字专业文章计算机,计算机打字训练管理(范文).doc
- 输入数字怎么变成大写python_Python将阿拉伯数字转化为中文大写
- 印象笔记Markdown样式美化 - window版
- 从0开发游戏引擎之引擎基础组件-Node类实现
- stm32实现按键控制三色灯(stm32cubeIDE)
- LVS 负载均衡群集----NAT模式