inlabru：用于拟合具有非线性预测器的潜在高斯模型的软件
统计方法学
2024-07-02 v1 统计计算
摘要
集成逼近 Laplace 方法 (INLA) 已成为一种计算高效的近似贝叶斯计算方法。特别是，利用随机效应精度矩阵中的稀疏性，INLA 在空间和时空应用中广受欢迎。然而，INLA 的速度换来的是限制用户仅能拟合潜在高斯模型以及当前 INLA（主要软件实现）中实现的似然分布。{inlabru} 是一个软件包，通过允许潜在预测器对参数进行非线性，扩展了可以使用 INLA 拟合的模型类型，超越了 additive linear predictor 框架，允许更复杂的函数关系。为进行推断，它使用基于非线性预测器的 first-order Taylor 展开的近似迭代方法，针对每个线性化模型配置使用 INLA 拟合模型。{inlabru} 自动化了使用 {R-INLA} 拟合模型所需的大量工作流程，简化了用户指定、拟合和预测模型的过程。该软件支持通过单独构建每个似然来拟合联合似然模型。{inlabru} 还支持直接使用空间数据结构，如 {sf} 和 {terra} 软件包中实现的结构。本文概述了 {inlabru} 所需的统计理论、模型结构及基本语法，使用户能够理解和开发自己的模型。我们采用贝叶斯方法检查方法评估近似推断方法。我们提供三个示例，针对模拟空间数据演示了 {inlabru} 所提供的额外灵活性的优势。
引用
@article{arxiv.2407.00791,
title = {inlabru: software for fitting latent Gaussian models with non-linear predictors},
author = {Finn Lindgren and Fabian Bachl and Janine Illian and Man Ho Suen and Håvard Rue and Andrew E. Seaton},
journal= {arXiv preprint arXiv:2407.00791},
year = {2024}
}