varsimbvs(varbvs)
varsimbvs()所属R语言包：varbvs
Full inference procedure for Bayesian variable selection
贝叶斯变量选择的完整的推理过程
译者：生物统计家园网 机器人LoveR
描述----------Description----------
varsimbvs is a special implementation of the variational inference procedure used in the two simulation studies for the Bayesian Analysis paper. The main distinguishing feature of this procedure is the choice of priors for the hyperparameters of the variable selection model. In addition, we also avoid erratic behaviour in the variational approximation by first searching for a good initialization of the variational parameters. This inference procedure involves an inner loop and an outer loop. The inner loop consists of running a coordinate ascent algorithm to tighten the variational lower bound given a setting of the hyperparameters (this inner loop is implemented by varbvsoptimize). The outer loop computes
varsimbvs是特殊的变推理过程中使用的两个仿真研究，贝叶斯分析的纸张。这个程序的主要特色是先验的变量选择模型的超选择。此外，我们也避免不稳定的行为，在第一次搜索一个良好的初始化的变分参数的变化近似。这一推断过程涉及一个内环和一个外循环。内环路由一个坐标上升算法的运行拧紧变下限设置的超（这个内部循环实现的varbvsoptimize）。外循环计算
用法----------Usage----------
varsimbvs(X, y, sigma, sa, log10q, a, b, ca)
参数----------Arguments----------
参数：X
Matrix of observations about the variables (or features). It has n rows and p columns, where n is the number of samples, and p is the number of variables.
矩阵观测的变量（或功能）。 n行p列，其中n的样本数，和p是变量的数目。
参数：y
Vector of observations about the outcome. It is a vector of length n.
矢量观测的结果。它是一个向量的长度n。
参数：sigma, sa, log10q
These arguments specify the combinations of the hyperparameter settings. These inputs must be vectors of the same length. For each combination of the hyperparameters, we compute an importance weight. sigma is the residual variance, sigma*sa is the prior variance of the regression coefficients, and log10q is the (base 10) logarithm of the prior inclusion probability.
这些参数指定的超参数设置的组合。这些输入必须具有相同的长度的矢量。的每一种组合的的超，我们计算的重要性。 sigma是剩余方差，sigma*sa是先验方差的回归系数，log10q是之前包含概率的对数（基数为10）。
参数：a, b, ca
These arguments are all positive scalars specifying the priors on the hyperparameters. a and b are the prior sample sizes for the beta prior on the prior inclusion probability. We assume a uniform prior on the "proportion of variance explained", except that we replace the prior inclusion probability in the proportion of variance explained by a constant, ca. This is done purely for convenience, so that hyperparameter sa does not depend on the prior inclusion probability a priori, making it easier to implement the Markov chain Monte Carlo (MCMC) method (see the Bayesian Analysis article for details). We assume the standard noninformative prior on the residual variance sigma.
这些参数都是指定先验上的超积极的标量。 a和b是前样品的测试之前，事先包含概率的大小。我们假设前一个统一的“方差比例解释”，除了解释为一个常数，我们更换了之前的包含概率方差的比例，ca。这样做纯粹是为了方便，所以，超参数sa不依赖于之前的包含概率的先验，使其更容易实现马尔可夫链蒙特卡罗（MCMC）方法（贝叶斯分析文章的详细信息，）。我们假设的标准无信息之前的剩余方差sigma。
值----------Value----------
Returns a list containing three components:
返回一个列表，其中包含三个组成部分：
参数：alpha
variational estimates of the posterior inclusion probabilities, averaged over settings of the hyperparameters.
变后包含概率的估计，平均超过设置的的超。
参数：mu
variational estimates of the posterior mean coefficients, averaged over settings of the hyperparameters.
变后的平均系数的估计，平均超过设置的的超。
参数：w
normalized importance weights for all settings of the hyperparameters
归一化的权重为所有设置的的超
（作者）----------Author(s)----------
Peter Carbonetto
参见----------See Also----------
varbvsoptimize
varbvsoptimize
实例----------Examples----------
## Run the demonstration R Script.[运行演示R脚本。]
## Not run: demo(example1)[＃不运行演示（例1）]
转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。
注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。
|
发表于 2012-10-1 14:22:12
