Fare MCMC: usa jags / stan o implementalo da solo

Sono nuovo nella ricerca statistica bayesiana. Ho sentito dai ricercatori che i ricercatori bayesiani implementano meglio MCMC da soli piuttosto che usare strumenti come JAGS / Stan. Posso chiederti quali sono i vantaggi dell'implementazione dell'algoritmo MCMC da soli (in un linguaggio "non abbastanza veloce" come R), tranne per scopi di apprendimento?

In generale, suggerirei vivamente di non codificare il proprio MCMC per una vera analisi bayesiana applicata. Questo è sia una buona dose di lavoro che di tempo e molto probabilmente introdurrà bug nel codice. I campionatori Blackbox, come Stan, usano già campionatori molto sofisticati. Fidati di me, non codificherai un campionatore di questo calibro solo per un'analisi!

Ci sono casi speciali in cui in questo non sarà sufficiente. Ad esempio, se fosse necessario eseguire un'analisi in tempo reale (ad esempio una decisione del computer basata sui dati in arrivo), questi programmi non sarebbero una buona idea. Questo perché Stan richiede la compilazione di codice C ++, che potrebbe richiedere molto più tempo rispetto al semplice esecuzione di un campionatore già preparato per modelli relativamente semplici. In tal caso, potresti voler scrivere il tuo codice. Inoltre, credo che ci siano casi speciali in cui pacchetti come Stan fanno molto male, come i modelli di spazio di stato non gaussiani (divulgazione completa: credo che Stan faccia male in questo caso, ma non lo so). In tal caso, può valere la pena implementare un MCMC personalizzato. Ma questa è l'eccezione, non la regola!

Ad essere onesti, penso che la maggior parte dei ricercatori che scrivono campionatori per una singola analisi (e questo accade, l'ho visto) lo fanno perché a loro piace scrivere i propri campionatori. Per lo meno, posso dire di rientrare in quella categoria (cioè sono deluso dal fatto che scrivere il mio campionatore non sia il modo migliore per fare le cose).

Inoltre, sebbene non abbia senso scrivere il proprio campionatore per una singola analisi , può avere molto senso scrivere il proprio codice per una classe di analisi. Dato che JAG, Stan, ecc. Sono campionatori a scatola nera, puoi sempre rendere le cose più veloci specializzandoti per un determinato modello, sebbene la quantità di miglioramento dipenda dal modello. Ma scrivere un campionatore estremamente efficiente da zero richiede forse 10-1000 ore di lavoro, a seconda dell'esperienza, della complessità del modello, ecc. Se stai facendo ricerche sui metodi bayesiani o scrivendo software statistico, va bene; è il tuo lavoro. Ma se il tuo capo dice "Ehi, puoi analizzare questo set di dati di misure ripetute?" e passi 250 ore a scrivere un campionatore efficiente, è probabile che il tuo capo sia arrabbiato. Al contrario, avresti potuto scrivere questo modello in Stan in, diciamo, 2 ore e avere 2 minuti di autonomia invece di 1 minuto di autonomia raggiunti dal campionatore efficiente.

Questa domanda è principalmente basata sull'opinione, ma penso che ci sia abbastanza qui per scrivere una risposta. Potrebbero esserci molte ragioni per codificare il proprio campionatore per un problema di ricerca. Ecco qui alcuni di loro

1. Proposta: come suggerito da fcop nel loro commento, se il campione è MH, la codifica del proprio campionatore consente di giocare con le distribuzioni della proposta per ottenere il miglior campionatore di missaggio.

2. Flessibilità: nei programmi integrati potrebbe non darti la flessibilità che desideri. Potresti voler iniziare da un valore casuale specifico o utilizzare una struttura seme specifica.

3. Comprensione: la codifica del proprio campionatore consente di comprendere il comportamento del campionatore, fornendo approfondimenti sul processo della catena Markov. Ciò è utile per un ricercatore che lavora al problema.

4. Onus: se i dati su cui sto facendo tutta la mia deduzione bayesiana provengono da un programma che non ho codificato, allora l'onere dell'inferenza non è più su di me. Come ricercatore, vorrei assumermi la piena responsabilità dei metodi / risultati che presento. L'uso di metodi integrati non ti consente di farlo.

Probabilmente ci sono più motivi, ma questi sono i quattro che mi fanno codificare i miei campionatori.

Ho dato un +1 alla risposta di Cliff AB. Per aggiungere un piccolo bocconcino, se si desidera lavorare a un livello inferiore ma non fino al livello di codice tutto-te stesso, è necessario cercare il pacchetto LaplacesDemon . L'autore originale è stato brillante, ma sembra essere uscito dalla griglia e il pacchetto è stato rilevato da qualcun altro. (Credo su Github.)

Implementa un numero impressionante di algoritmi utilizzati in MCMC e le vignette incluse valgono la lettura anche se non si utilizza il pacchetto. Praticamente qualsiasi tipo di campionatore di cui leggi, ha. Si codifica in modo diverso rispetto a BUGS / JAGS o Stan, ed è tutto in R, ma spesso a volte è così efficiente da essere competitivo.