如何在brms/Stan中为贝叶斯线性模型指定条件先验？

步骤1：定义自定义先验 #

在brms中支持直接设定依赖于其他参数的条件先验，只需在prior()函数中引用目标参数即可。针对你的需求：

• sigma服从Inverse Gamma(4, 10)（brms中逆伽马参数为shape和rate，与Stan一致）
• beta0（截距）服从Normal(5, 1.2*sigma)
• beta1（x的斜率）服从Normal(3, 2*sigma)

先验定义代码如下：

custom_priors <- prior(inv_gamma(4, 10), class = sigma) +
  prior(normal(5, 1.2 * sigma), class = b, coef = Intercept) +
  prior(normal(3, 2 * sigma), class = b, coef = x)

步骤2：拟合模型 #

将自定义先验传入brm()函数，同时建议设置多链以检查收敛性：

fit <- brm(
  formula = y ~ .,
  data = dat,
  prior = custom_priors,
  chains = 4,
  iter = 2000
)

验证先验设定 #

可以用prior_summary()确认先验是否正确应用：

prior_summary(fit)

如果你偏好直接编写Stan代码，模型结构如下：

data {
  int<lower=0> n;
  vector[n] y;
  vector[n] x;
}
parameters {
  real beta0;
  real beta1;
  real<lower=0> sigma;
}
model {
  // 先验分布
  sigma ~ inv_gamma(4, 10);
  beta0 ~ normal(5, 1.2 * sigma);
  beta1 ~ normal(3, 2 * sigma);
  // 似然分布
  y ~ normal(beta0 + beta1 * x, sigma);
}

用rstan调用的代码：

library(rstan)

# 编译模型
stan_mod <- stan_model(model_code = "上述Stan代码内容")
# 准备输入数据
stan_dat <- list(n = nrow(dat), y = dat$y, x = dat$x)
# 拟合模型
fit_stan <- sampling(stan_mod, data = stan_dat, chains = 4, iter = 2000)

注意事项 #

• 逆伽马参数化：不同工具对逆伽马的参数定义可能不同（shape+rate或shape+scale），brms和Stan使用的是shape+rate。如果你的Inverse Gamma(4,10)实际是shape=4、scale=10，需要将先验改为inv_gamma(4, 1/10)。
• brms参数命名：截距对应的coef是Intercept，自变量x对应的coef是x，可通过prior_summary(fit)确认参数名称。

内容的提问来源于stack exchange，提问作者John Smith