如何在JAGS的分层贝叶斯模型中实现用于动物资源选择函数的加权逻辑回归？

核心逻辑澄清 #

首先咱们得明确：加权逻辑回归在贝叶斯框架下的实现思路，和频率论下glm的权重机制是对应的，但不能直接照搬泊松模型的权重方法——泊松模型里把权重和lambda相乘的逻辑，放到伯努利分布里会出问题，因为伯努利的参数是概率，必须在0-1区间内，直接相乘很容易超出合理范围。

正确的JAGS实现方式 #

在频率论的加权逻辑回归中，权重本质是对应观测的「相对重复次数」。转换到贝叶斯框架，有两种常用的靠谱实现方式：

1. 用二项分布模拟重复观测（最直观）

如果你的权重是整数（比如可利用位点权重设为10000，使用位点设为1），可以把每个观测看作weights[n]次独立的伯努利试验，用二项分布dbin替代伯努利分布dbern：

alpha_NSel ~ dbeta(1,1)
intercept_NSel <- logit(alpha_NSel)
beta_SC_NSel ~ dnorm(0, tau_NSel)
tau_NSel <- 1/(pow(sigma_NSel,2))
sigma_NSel ~ dunif(0,50)
for(n in 1:N_NSel){
  logit(piN[n]) <- intercept_NSel + beta_SC_NSel*cov_NSel[n]
  # 用二项分布替代伯努利，size参数对应权重
  yN[n] ~ dbin(piN[n], weights[n])
}

这里要注意调整yN[n]的取值：使用位点的yN[n] = 1（1次试验成功1次），可利用位点的yN[n] = 0（10000次试验成功0次），完全匹配你在R中glm的加权逻辑。

2. 手动构造加权对数似然（支持非整数权重）

如果权重是连续值，或者不想修改yN的0/1格式，可以直接手动计算加权的对数似然，用JAGS的increment_log_prob()函数实现：

alpha_NSel ~ dbeta(1,1)
intercept_NSel <- logit(alpha_NSel)
beta_SC_NSel ~ dnorm(0, tau_NSel)
tau_NSel <- 1/(pow(sigma_NSel,2))
sigma_NSel ~ dunif(0,50)

model {
  for(n in 1:N_NSel){
    logit(piN[n]) <- intercept_NSel + beta_SC_NSel*cov_NSel[n]
    # 给每个观测的似然项乘以权重
    increment_log_prob( weights[n] * ( yN[n]*log(piN[n]) + (1-yN[n])*log(1-piN[n]) ) )
  }
}

这种方法不需要改动yN的取值（依然用0表示可利用位点、1表示使用位点），权重可以是任意正数值（比如1和10000），和R中glm的用法完全一致。

关于你提出的修改方式的问题 #

你提到的yN[n] ~ dbern(piN[n]*weights[n])是不可行的：当weights[n]大于1时，piN[n]*weights[n]会超过1，而伯努利分布的参数必须在0-1之间，逻辑上不成立。

另外，也不需要把权重调整到0-1区间——权重的核心是相对比例，只要保持使用位点和可利用位点的权重比正确（比如1:10000），不管用1和10000，还是0.0001和1，参数估计结果都是等价的（似然的整体缩放不会影响参数推断）。

额外提示 #

如果你的模型是分层贝叶斯结构，上述两种方法都可以无缝整合进去，只需要替换掉原有的似然部分即可，不会干扰其他层次的参数估计。

内容的提问来源于stack exchange，提问作者Matthew Gonnerman