top of page

From: Bayesian Models for Astrophysical Data, Cambridge Univ. Press

(c) 2017,  Joseph M. Hilbe, Rafael S. de Souza and Emille E. O. Ishida

you are kindly asked to include the complete citation if you used this material in a publication

â€‹

â€‹

Code 9.4 K and M model in Python using Stan

===================================

import numpy as np
import pystan

from scipy.linalg import toeplitz
from scipy.stats import norm, uniform, nbinom, multivariate_normal, bernoulli

â€‹

# Data
np.random.seed(1056)

nobs = 500
nvar = 15
rho = 0.6
p = bernoulli.rvs(0.2, size=nvar)

â€‹

# use these to generate new values of beta
# beta1 = p * norm.rvs(loc=0, scale=5.0, size=nvar)
# beta = np.array([round(item, 2) for item in beta1])

â€‹

# use same beta values as Code 9.1
beta = np.array([-2.43, 1.60, 0.00, 5.01, 4.12, 0.00, 0.00, 0.00,
-0.89, 0.00, -2.31, 0.00, 0.00, 0.00, 0.00
])

â€‹

# covariance matrix
d = beta.shape[0]
Sigma = toeplitz(np.insert(np.repeat(rho, d-1), 0, 1))

# multivariate sampling - default mean is zero
M = multivariate_normal.rvs(cov=Sigma, size=nobs)
xb = np.dot(M, beta)

y = [norm.rvs(loc=xb[i], scale=2.0) for i in range(xb.shape[0])]

â€‹

# fit
mydata = {}
mydata['X'] = M - 1.0
mydata['K'] = mydata['X'].shape[1]
mydata['Y'] = y
mydata['N'] = nobs
mydata['Ind'] = bernoulli.rvs(0.2, size=nvar)

â€‹

stan_model = '''
data{
int<lower=0> N;
int<lower=0> K;
matrix[N, K] X;
vector[N] Y;
int Ind[K];
}
parameters{
vector[K] beta;
real<lower=0> sigma;
real<lower=0> sdBeta;
}
transformed parameters{
vector[N] mu;
real<lower=0> tau;
real<lower=0> tauBeta;

mu = X * beta;
tau = pow(sigma, 2);
tauBeta = pow(sdBeta, 2);
}
model{

sdBeta ~ gamma(0.01, 0.01);

for (i in 1:K){
if (Ind[i] > 0) beta[i] ~ normal(0, tauBeta);
}

sigma ~  gamma(0.01, 0.01);

Y ~ normal(mu, tau);
}
'''

â€‹

fit = pystan.stan(model_code=stan_model, data=mydata, iter=5000, chains=3, thin=1,
warmup=2500, n_jobs=3)

â€‹

# Output
nlines = 21                                                                  # number of lines in screen output

â€‹

output = str(fit).split('\n')

â€‹

for item in output[:nlines]:
print(item)

===================================

Output on screen:

â€‹

Inference for Stan model: anon_model_06a21ab591fac250162f7b0f276b42d7.
3 chains, each with iter=5000; warmup=2500; thin=1;
post-warmup draws per chain=2500, total post-warmup draws=7500.

â€‹

mean         se_mean         sd         2.5%         25%        50%          75%        97.5%         n_eff      Rhat
beta[0]        -2.52             3.1e-3      0.27        -3.05          -2.7       -2.52         -2.34          -1.99          7500        1.0
beta[1]         1.11            2.9e-3        0.26        0.61         0.93       1.11             1.28             1.6          7500        1.0
beta[2]        -0.44            3.1e-3        0.27       -0.97         -0.63      -0.44          -0.27          0.09          7500        1.0
beta[3]         4.75            3.0e-3        0.26        4.25         4.58       4.75              4.93          5.27          7500        1.0
beta[4]         4.23            2.9e-3        0.25        3.75          4.06       4.23            4.4              4.72          7500       1.0
beta[5]        -0.32            3.0e-3        0.26       -0.83          -0.5      -0.32          -0.15            0.17          7500       1.0
beta[6]        -0.59            2.9e-3        0.25       -1.09         -0.76      -0.59          -0.42          -0.09          7500       1.0
beta[7]        -0.27            2.9e-3        0.25       -0.76         -0.44      -0.27          -0.1              0.24          7500      1.0
beta[8]        -1.27            3.0e-3        0.26       -1.79         -1.45      -1.28           -1.1             -0.76          7500     1.0
beta[9]         0.28            2.8e-3        0.24         -0.2          0.12       0.28           0.44               0.76          7500     1.0
beta[10]      -2.41            2.8e-3        0.24       -2.88         -2.57      -2.41          -2.25             -1.93          7500     1.0
beta[11]       -0.21            2.9e-3        0.25        -0.7         -0.38      -0.21          -0.04              0.28         7500       1.0
beta[12]       -0.11            2.9e-3        0.25       -0.58         -0.28      -0.11           0.06              0.38          7500     1.0
beta[13]     -1.4e-3           2.8e-3        0.24       -0.48         -0.16     2.3e-3          0.16              0.48          7500     1.0
beta[14]       -0.25            2.9e-3        0.26       -0.74         -0.42      -0.25         -0.08               0.25          7500     1.0
sigma            1.91            3.5e-4        0.03        1.86          1.89       1.91          1.93               1.98          7500      1.0

bottom of page