简介
Bayesplot[1]包，提供了广泛的绘图函数库，用于在拟合贝叶斯模型后使用（通常使用 MCMC ）。由 bayesplot 创建的图形是 ggplot 对象，这意味着在创建图形后，可以使用 ggplot2[2] 包中的各种函数进一步自定义。
目前，bayesplot 提供了各种后验抽样绘图、视觉 MCMC 诊断和图形后验（或先验）预测检查的绘图功能。未来的版本将添加其他功能（例如，用于预测/样本外预测和其他推断相关任务）。
Cheat sheet
bayesplot 的理念不仅是为用户提供方便的功能，还提供了一个共同的函数集，可以轻松地由开发人员在各种贝叶斯建模包上使用，特别是（但不一定是）由 RStan[3] 提供支持的包。
官网首页
关于贝叶斯分析的推文，小编还写了：贝叶斯 RStan 包入门教程、资料分享｜贝叶斯数据分析、从贝叶斯滤波到粒子滤波。
安装
从 CRAN 安装最新版本：
install.packages("bayesplot")
从 GitHub 安装最新的开发版本：
if (!require("devtools")) { install.packages("devtools") } devtools::install_github("stan-dev/bayesplot")
例子1：回归模型
利用rstanarm[4]和rstan[5]包获得 MCMC 样本，根据这个抽样样本，我们给出 bayesplot 包的入门示例。其他更加详细的教程可见：
- Plotting MCMC draws using the bayesplot package[6]
- Visual MCMC diagnostics using the bayesplot package[7]
- Graphical posterior predictive checks using the bayesplot package[8]
我们以 mtcars 数据集作为例子，使用 stan_glm() 构建贝叶斯框架下的回归模型。根据后验样本，使用 bayesplot 包中的各种函数进行可视化。
library("bayesplot") library("rstanarm") library("ggplot2") fit <- stan_glm(mpg ~ ., data = mtcars) posterior <- as.matrix(fit)
- 使用
mcmc_areas()绘制后验分布的面积图
plot_title <- ggtitle("Posterior distributions", "with medians and 80% intervals") mcmc_areas(posterior, pars = c("cyl", "drat", "am", "wt"), prob = 0.8) + plot_title
使用 mcmc_areas() 绘制面积图
- 使用
ppc_dens_overlay()绘制预测分布和真实分布
color_scheme_set("red") ppc_dens_overlay(y = fit$y, yrep = posterior_predict(fit, draws = 50))
使用 ppc_dens_overlay() 绘制预测分布和真实分布
- 使用
ppc_stat_grouped()绘制预测分布柱状图
# also works nicely with piping library("dplyr") color_scheme_set("brightblue") fit %>% posterior_predict(draws = 500) %>% ppc_stat_grouped(y = mtcars$mpg, group = mtcars$carb, stat = "median")
使用 ppc_stat_grouped() 绘制预测分布柱状图
例子2: rstan 中的八校数据
使用《贝叶斯数据分析》中最经典的八校数据进行分析。具体可见推文：贝叶斯 RStan 包入门教程。
library("rstan") fit2 <- stan_demo("eight_schools", warmup = 300, iter = 700) posterior2 <- extract(fit2, inc_warmup = TRUE, permuted = FALSE)
- 使用
mcmc_trace()绘制各链轨迹图
color_scheme_set("mix-blue-pink") p <- mcmc_trace(posterior2, pars = c("mu", "tau"), n_warmup = 300, facet_args = list(nrow = 2, labeller = label_parsed)) p + facet_text(size = 15)
使用 mcmc_trace() 绘制各链轨迹图
- 使用
mcmc_scatter()绘制散点图
# scatter plot also showing divergences color_scheme_set("darkgray") mcmc_scatter( as.matrix(fit2), pars = c("tau", "theta[1]"), np = nuts_params(fit2), np_style = scatter_style_np(div_color = "green", div_alpha = 0.8) )
使用 mcmc_scatter() 绘制散点图
- 使用
mcmc_nuts_energy()进行 NUTS 能量诊断
color_scheme_set("red") np <- nuts_params(fit2) mcmc_nuts_energy(np) + ggtitle("NUTS Energy Diagnostic")
使用 mcmc_nuts_energy() 进行 NUTS 能量诊断
小编有话说
- 读者可以使用自己数据集在贝叶斯框架下进行分析，之后使用本文的 R 包进行结果可视化。
参考资料
[1]
Bayesplot: https://mc-stan.org/bayesplot/index.html
[2]
ggplot2: https://ggplot2.tidyverse.org/
[3]
RStan: https://mc-stan.org/rstan/
[4]
rstanarm: https://mc-stan.org/rstanarm/
[5]
rstan: https://mc-stan.org/rstan/
[6]
Plotting MCMC draws using the bayesplot package: https://mc-stan.org/bayesplot/articles/plotting-mcmc-draws.html
[7]
Visual MCMC diagnostics using the bayesplot package: https://mc-stan.org/bayesplot/articles/visual-mcmc-diagnostics.html
[8]
Graphical posterior predictive checks using the bayesplot package: https://mc-stan.org/bayesplot/articles/graphical-ppcs.html
