Pacchetto software ottimale per l'analisi bayesiana

Mi chiedevo quale pacchetto statistico di software mi consigliate per eseguire Bayesian Inference.

Ad esempio, so che puoi eseguire openBUGS o winBUGS come standalones o puoi anche chiamarli da R. Ma R ha anche molti dei suoi pacchetti (MCMCPack, BACCO) che possono fare analisi bayesiane.

Qualcuno ha qualche suggerimento su quale pacchetto di statistiche bayesiane in R sia il migliore o su altre alternative (Matlab o Mathematica?)

Le caratteristiche principali che sto cercando di confrontare sono prestazioni, facilità d'uso, stabilità e flessibilità

Le varianti BUGS esterne sono lo standard. Lavorare all'interno di R può essere conveniente, ma sarei sorpreso se quei pacchetti fossero altrettanto maturi e funzionassero. L'uso di una libreria che collega R e il programma esterno è di solito il compromesso più comune.

Uso la combinazione jags / rjags (jags potrebbe essere approssimativamente considerato un dialetto di bug). Non ho provato le altre varianti di bug, ma i rapporti che ho sentito dire sono che le prestazioni di jags e la capacità di gestire problemi numerici sono leggermente migliori rispetto alle altre varianti di bug. Trovo jags facili da usare, ma ovviamente è necessaria una certa conoscenza dell'analisi dei dati bayesiani per sapere come usarli.

All'interno delle 3 varianti BUGS (openBUGS / winBUGS, jags) jags sembra essere il più promettente per quanto riguarda lo sviluppo delle funzionalità future, e openBUGS / winBUGS sembrano essere progetti morti. Tuttavia, a jags mancano ancora alcune delizie presenti in openBUGS / winBUGS (guarda anche qui ). D'altra parte, jags ha rimosso alcune limitazioni presenti in WinBUGS, ad esempio:

x ~ dnorm(0, tau) 
tau ~ dgamma(1.0E-3, 1.0E-3) # in WinBUGS, you cannot do this, 1.0E-3 is too small 
                             # for dgamma (use e.g. dgamma(0.01, 0.01))

La buona notizia è che con la maggior parte dei modelli, è possibile eseguirli in tutti e 3 gli strumenti con modifiche minime, in modo da poter passare a strumenti diversi in seguito senza molti problemi (è quello che faccio).

Tuttavia, per alcuni motivi (ad es. Mancanza di parallelismo e natura dell'interprete) , non è vero che queste varianti di BUGS siano il modo più veloce per fare analisi bayesiane! In effetti, al contrario. I progetti BUGS sono utili per testare e sviluppare modelli complessi su piccoli set di dati . Una volta sviluppato il modello e necessario eseguirlo ripetutamente su set di dati di grandi dimensioni, è più efficiente utilizzare strumenti diversi.

Ad esempio, si dice che la combinazione CppBugs / rcpp sia 5-10 volte più veloce delle varianti BUGS. Il principio è che fondamentalmente compili il tuo modello in un programma C ++, che funziona molto più velocemente. Dai un'occhiata anche al blog di Dirk Eddelbuettel per il test Rcpp : sembra brutalmente veloce. Puoi anche giocare con il parallelismo.

Puoi anche eseguire calcoli paralleli in WinBUGS usando bugsparallel .