R语言贝叶斯Poisson泊松-正态分布模型分析职业足球比赛进球数
原文链接：http://tecdat.cn/?p=23099
在本文关于如何在R中进行贝叶斯分析（点击文末“阅读原文”获取完整代码数据）。
我们介绍贝叶斯分析，这个例子是关于职业足球比赛的进球数。
相关视频
模型
首先，我们认为职业足球比赛的进球数来自分布
，其中θ是平均进球数。现在假设我们用一位足球专家的意见来得出足球比赛的平均进球数，即参数θ，我们得到：
。
curve(dnorm(x, 2.5, 0.2), from = -2, to = 8,...)
点击标题查阅往期内容
R语言泊松Poisson回归模型分析案例
左右滑动查看更多
01
02
03
04
我们想知道什么？
在这种情况下，我们想知道θ的后验分布是什么样子的，这个分布的平均值是什么。为了做到这一点，我们将在三种情况下分析：
我们有1个观察值x=1，来自分布为
的总体。
我们有3个观测值x=c(1,3,5)，来自一个具有
分布的总体。
我们有10个观测值x=c(5,4,3,4,3,2,7,2,4,5)，来自一个具有
分布的总体。
理论方法
在这里，我想告诉你贝叶斯分析是如何分析的。首先，我们有一个来自具有未知参数θ的泊松分布的人口的似然函数。
我们知道参数θ的先验分布p(θ)是由以下公式给出的。
最后，θ的后验分布为。
其中常数C的计算方法如下。
而后验分布E(θ|x)的平均值由以下公式给出。
计算方法
在这里，你将学习如何在R中使用蒙特卡洛模拟来回答上面提出的问题。对于这三种情况，你将遵循以下步骤。
1. 定义数据
首先，你需要根据方案定义数据。
x <- 1 #第一种情况2. 计算常数C
现在使用蒙特卡洛模拟来计算积分。为此，有必要从先验分布中产生N=10000个值θi，并在似然函数
中评估它们。最后，为了得到C，这些值被平均化。R中的代码如下。
N <- 100000 # 模拟值的数量
rnorm(n=N, mean = 2.5, sd = 0.2) #先验分布
prod(dpois(x=x, lambda = theta)) #似然函数
3. 寻找后验分布
计算完C后，你可以得到后验分布，如下所示。
fvero(theta) * dnorm(x=theta) / C4. 计算后验分布的平均数
最后你可以使用蒙特卡洛模拟计算积分来获得后验分布的平均值。
integral <- mean(aux)
posterior <- integral/C
结果
如前所述，上面介绍的代码用于所有三种情况，唯一根据情况变化的是x。在这一节中，我们将为每种情况展示一张图，其中包含θ的先验和后验分布、后验分布的平均值（蓝色虚线）和观测值（粉红色的点）。
第一种情况
curve(dnorm(x, 2.5, 0.2), col=4,,x=x, y=rep(0, length(x)),
line,v = mposterior,legend=c("topright", legend=c("后验", "先验"),)
第二种情况
第三种情况
结论
从结果中我们可以得出这样的结论：当我们有很少的观测数据时，如图1和图2，由于缺乏样本证据，后验分布将倾向于类似于先验分布。相反，当我们有大量的观测数据时，如图3，后验分布将偏离先验分布，因为数据将有更大的影响。
我希望你喜欢这篇文章并了解贝叶斯统计。我鼓励你用其他分布运行这个程序。
点击文末“阅读原文”
获取全文完整资料。
本文选自《R语言贝叶斯Poisson泊松-正态分布模型分析职业足球比赛进球数》。
点击标题查阅往期内容
PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯和KMEANS聚类用户画像
MCMC的rstan贝叶斯回归模型和标准线性回归模型比较
数据分享|Python决策树、随机森林、朴素贝叶斯、KNN（K-最近邻居）分类分析银行拉新活动挖掘潜在贷款客户
贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析免疫球蛋白、前列腺癌数据
R语言贝叶斯METROPOLIS-HASTINGS GIBBS 吉布斯采样器估计变点指数分布分析泊松过程车站等待时间
R语言Gibbs抽样的贝叶斯简单线性回归仿真分析
python贝叶斯随机过程：马尔可夫链Markov-Chain，MC和Metropolis-Hastings，MH采样算法可视化
Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现
Metropolis Hastings采样和贝叶斯泊松回归Poisson模型
Matlab用BUGS马尔可夫区制转换Markov switching随机波动率模型、序列蒙特卡罗SMC、M H采样分析时间序列
R语言RSTAN MCMC：NUTS采样算法用LASSO 构建贝叶斯线性回归模型分析职业声望数据
R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机波动率SV模型、粒子滤波、Metropolis Hasting采样时间序列分析
R语言Metropolis Hastings采样和贝叶斯泊松回归Poisson模型
R语言贝叶斯MCMC：用rstan建立线性回归模型分析汽车数据和可视化诊断
R语言贝叶斯MCMC：GLM逻辑回归、Rstan线性回归、Metropolis Hastings与Gibbs采样算法实例
R语言贝叶斯Poisson泊松-正态分布模型分析职业足球比赛进球数
R语言用Rcpp加速Metropolis-Hastings抽样估计贝叶斯逻辑回归模型的参数
R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病
R语言中贝叶斯网络（BN）、动态贝叶斯网络、线性模型分析错颌畸形数据
R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归
Python贝叶斯回归分析住房负担能力数据集
R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析
Python用PyMC3实现贝叶斯线性回归模型
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
R语言Gibbs抽样的贝叶斯简单线性回归仿真分析
R语言和STAN,JAGS：用RSTAN,RJAG建立贝叶斯多元线性回归预测选举数据
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言贝叶斯线性回归和多元线性回归构建工资预测模型
R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例
R语言stan进行基于贝叶斯推断的回归模型
R语言中RStan贝叶斯层次模型分析示例
R语言使用Metropolis-Hastings采样算法自适应贝叶斯估计与可视化
R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型
WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较
R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样
R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例
R语言使用Metropolis-Hastings采样算法自适应贝叶斯估计与可视化
视频：R语言中的Stan概率编程MCMC采样的贝叶斯模型
R语言MCMC:Metropolis-Hastings采样用于回归的贝叶斯估计
