Exemples intéressants sous Nimble

Une interprétation des Pareto k values dans le calcul des LOO

Super présentation pour mieux comprendre l'implémentation des modèles hiérarchiques avec rstanarm

tidybayes. Je vais creuser cette histoire de brms, tout le monde en parle en ce moment.

Je découvre. J'adopte

Récupérer les élements d'un objet stanfit. Notamment les éléments "sous le capot", genre la profondeur de l'arbre ou la taille des pas. treedepth et stepsize.

Sur la convergence, je suis assez surpris : ils notent  "In practice we have found that requiring Rhat < 1.1 is a good default requirement for each parameter." Or, les chaînes n'ont pas vraiment une bonne tête avec Rhat à 1.1... En outre, ils notent " A good check for such issues is the number of effective samples per iteration -- if N_eff / N < 0.001 then you should be suspect of the effective sample size calculation." J'ai 1500 itérations et j'ai des N_eff de 135 pour mon paramètre le plus merdique. J'aime pas la tête des traces MCMC, mais cette recommandation tendrait à indiquer que je suis peut-être trop puriste sur ce coup-là. Je vais essayer de creuser cette question...

À voir, ça a l'air vachement bien.

À creuser, le package semble sympa.

Package intéressant pour manipuler des résultats de MCMCglmm, disponibles sur github : postMCMCglmm.