RUNJAGS-未经事先模拟的set种子

Question

我正在使用runjags从正态分布中抽样一些数据。对于用于模拟的参数，我没有任何先验。似乎runjages不使用参数来修复种子：list(".RNG.name"="base::Super-Duper", ".RNG.seed"=1)。我将参数更改为list(muOfClustsim=rep(1, npop), ".RNG.name"="base::Super-Duper", ".RNG.seed"=1)，但也不起作用。有没有办法在runjags中修复这种模型的种子？

下面是一个最小的可重现性示例：

library(runjags)

npop=3
nrep=10
sdpop=7
sigma=5
seed=4

set.seed(seed)
N = npop*nrep # nb of observations

## Population identity of each individual used to sample genotypes but not used for common garden test
pop <- rep(1:npop, each=nrep)

muOfClustsim <- rnorm(npop, 0, sdpop) # vector of population means
(tausim <- 1/(sigma*sigma)) # precision of random individual error

# parameters are treated as data for the simulation step
data <- list(N=N, pop=pop, muOfClustsim=muOfClustsim, tausim=tausim)

## JAG model
txtstring <- "
data{
  # Likelihood:
  for (i in 1:N){
    ysim[i] ~ dnorm(eta[i], tausim) # tau is precision (1 / variance)
    eta[i] <- muOfClustsim[pop[i]]
  }

}

model{
fake <- 0
}
"
## Initial values with seed for reproducibility
initssim <- list(".RNG.name"="base::Super-Duper", ".RNG.seed"=1)
##initssim <- list(muOfClustsim=rep(1, npop), ".RNG.name"="base::Super-Duper", ".RNG.seed"=1)
## Simulate with jags
set.seed(seed)
out <- run.jags(txtstring, data = data, monitor=c("ysim"), sample=1, n.chains=1, inits=initssim, summarise=FALSE)
## reformat the outputs
(ysim1 <- coda::as.mcmc(out)[1:N])

set.seed(seed)
out <- run.jags(txtstring, data = data, monitor=c("ysim"), sample=1, n.chains=1, inits=initssim, summarise=FALSE)
## reformat the outputs
(ysim2 <- coda::as.mcmc(out)[1:N])

identical(ysim1, ysim2)

Answer 1

.RNG.name / .RNG.seed / .RNG.state初始值适用于模型(或者更具体地说，模型中的链)，而不是在数据块中使用。这意味着(据我所知)在JagesJags4.3中无法在数据块中进行任何随机表示。这是可以为将来版本的JAGS添加的东西，但我担心这是一个低优先级，因为在将数据传递给JAGS之前，总是可以(而且通常更好)模拟R中的数据。

在您的例子中，答案(假设您想使用JAGS)是在模型块而不是数据块中进行模拟：

txtstring <- "
model{
  # Likelihood:
  for (i in 1:N){
    ysim[i] ~ dnorm(eta[i], tausim) # tau is precision (1 / variance)
    eta[i] <- muOfClustsim[pop[i]]
  }
}
"

然后，您的其余代码将按预期运行§。值得注意的是，数据模拟通常比JAGS更适合R，但我假设有一个特定的原因，您希望在本例中使用JAGS .

哑光

§虽然一般不应期望严格的双打平等，例如：

    identical(0.1+0.2, 0.3)

但是：

    abs(0.3 - (0.1+0.2)) < sqrt(.Machine$double.eps)

甚至更好：

    isTRUE(all.equal(0.1+0.2, 0.3))

这很值得一看：https://www.youtube.com/watch?v=3Bu7QUxzIbA&t=1s