В четверг, 25 февраля, в 19:00 по всемирному координированному времени | 20:00 по центральноевропейскому времени в рамках программы «Почему R?» В серии вебинаров мы имеем честь принимать Пауля Бюркнера , младшего руководителя исследовательской группы Кластера передового опыта SimTech в Университете Штутгарта (Германия). Автор пакета R brms и член группы разработчиков Stan, Пол объяснит, как пакет R предоставляет интерфейс для работы с байесовскими обобщенными (не)линейными многомерными многомерными многоуровневыми моделями с использованием Stan , пакета C++ для выполнения полного байесовского вывода.

Присоединяйтесь к нам!

Вебинар

Ознакомьтесь с другими нашими мероприятиями из этой серии вебинаров . Чтобы посмотреть предыдущие выпуски, посетите каналWhyR на YouTube и обязательно подпишитесь!

Ищете больше новостей R? Подпишитесь на нашу рассылку и будьте в курсе наших событий и самых актуальных новостей о нашем любимом языке программирования с открытым исходным кодом.

Наконец, если вам нравится наш контент и вы хотите получить поддержку, сделайте пожертвование в фондWhyR . Мы являемся некоммерческой организацией, управляемой волонтерами, и ценим ваш вклад в продолжение выполнения нашей миссии .

Разговаривать

Оратор

• Пауль Бюркнер
  Пол — статистик, в настоящее время работает руководителем независимой младшей исследовательской группы в кластере передового опыта SimTech в Штутгартском университете (Германия). Он является автором пакета R brms и членом команды разработчиков Stan. Ранее он изучал психологию и математику в университетах Мюнстера и Хагена (Германия) и защитил докторскую диссертацию в Мюнстере по вопросам оптимального проектирования и байесовского анализа данных. Пол также работал научным сотрудником на кафедре компьютерных наук Университета Аалто (Финляндия).

brms : модели байесовской регрессии с использованием Stan

Пакет brms предоставляет интерфейс для работы с байесовскими обобщенными (не)линейными многомерными многомерными многоуровневыми моделями с использованием Stan — пакета C++ для выполнения полного байесовского вывода. Синтаксис формулы очень похож на синтаксис пакета lme4 и обеспечивает знакомый и простой интерфейс для выполнения регрессионного анализа. Поддерживается широкий диапазон распределений ответов, что позволяет пользователям подбирать, среди прочего, линейные, надежные линейные модели, данные подсчета, выживаемость, время отклика, порядковые, нулевые и даже самоопределяемые модели смеси, и все это в многоуровневом контексте. Дополнительные варианты моделирования включают нелинейные и гладкие условия, структуры автокорреляции, цензурированные данные, вменение пропущенных значений и многое другое. Кроме того, все параметры распределения ответов можно предсказать, чтобы выполнить распределительную регрессию. Многомерные модели, то есть модели с несколькими переменными отклика, также могут быть пригодны. Предыдущие спецификации являются гибкими и явно поощряют пользователей применять предыдущие распределения, которые отражают их убеждения. Подгонку модели можно легко оценить и сравнить с помощью апостериорных прогностических проверок, перекрестной проверки и факторов Байеса.

Спонсор

Это мероприятие является частью серии, спонсируемой Jumping Rivers . Для получения дополнительной информации ознакомьтесь с объявлением о партнерстве JR иWhyR .

Контакт

Прыгающие реки
Twitter
Linkedin