基于JAGS的含二元与连续指标的潜变量估计

1. jags命令是否支持同时处理两类变量？ #

完全支持。JAGS（包括R2jags封装的接口）原生支持混合类型变量的建模，核心是在模型代码中为不同类型变量匹配对应的似然分布即可，不需要额外开启特殊功能。

2. 建模时的变量类型指定方法 #

关键是针对变量类型选择合适的似然分布，并结合潜因子构建线性预测项，以下是具体实现方式：

连续变量处理

连续变量通常使用正态分布建模，示例逻辑：

# 线性预测项（关联潜因子）
mu_cont[i] <- alpha_cont + beta_cont * f[i]
# 正态似然分布
y_cont[i] ~ dnorm(mu_cont[i], tau_cont)

• alpha_cont：连续变量的截距
• beta_cont：连续变量对应的潜因子载荷
• tau_cont：正态分布的精度（即1/方差）
• f[i]：第i个样本的潜因子值

二元变量处理

二元变量常用伯努利分布结合probit/logit链接函数建模（更适配潜因子框架），示例逻辑：

# 线性预测项（关联潜因子）
mu_bin[i] <- alpha_bin + beta_bin * f[i]
# probit链接转换为概率
p[i] <- phi(mu_bin[i])
# 伯努利似然分布
y_bin[i] ~ dbern(p[i])

• alpha_bin：二元变量的截距
• beta_bin：二元变量对应的潜因子载荷
• phi()：标准正态累积分布函数（实现probit链接）；若用logit链接，替换为ilogit()
• p[i]：二元变量取1的概率

完整示例代码 #

R端调用代码

library(R2jags)

# 模拟示例数据
set.seed(123)
n <- 100
f <- rnorm(n, 0, 1) # 真实潜因子

# 生成连续变量
beta_cont <- 0.8
alpha_cont <- 0
tau_cont <- 1/0.5^2
y_cont <- rnorm(n, alpha_cont + beta_cont*f, sqrt(1/tau_cont))

# 生成二元变量
beta_bin <- 1.2
alpha_bin <- -0.3
mu_bin <- alpha_bin + beta_bin*f
p <- pnorm(mu_bin)
y_bin <- rbinom(n, 1, p)

# 整理输入数据
data_list <- list(
  n = n,
  y_cont = y_cont,
  y_bin = y_bin
)

# 参数初始值
inits <- function() {
  list(
    f = rnorm(n, 0, 0.5),
    alpha_cont = rnorm(1),
    beta_cont = runif(1, -2, 2),
    tau_cont = runif(1, 0.1, 5),
    alpha_bin = rnorm(1),
    beta_bin = runif(1, -2, 2)
  )
}

# 指定待估计参数
params <- c("f", "alpha_cont", "beta_cont", "tau_cont", "alpha_bin", "beta_bin")

# 运行JAGS模型
model <- jags(
  data = data_list,
  inits = inits,
  parameters.to.save = params,
  model.file = "latent_factor_model.txt",
  n.chains = 3,
  n.iter = 2000,
  n.burnin = 1000
)

print(model)

JAGS模型文件（latent_factor_model.txt）

model {
  # 先验分布
  alpha_cont ~ dnorm(0, 0.01)
  beta_cont ~ dnorm(0, 0.01)
  tau_cont ~ dgamma(0.01, 0.01)
  alpha_bin ~ dnorm(0, 0.01)
  beta_bin ~ dnorm(0, 0.01)
  
  # 潜因子先验（识别约束：固定方差为1）
  for (i in 1:n) {
    f[i] ~ dnorm(0, 1)
  }
  
  # 连续变量似然
  for (i in 1:n) {
    mu_cont[i] <- alpha_cont + beta_cont * f[i]
    y_cont[i] ~ dnorm(mu_cont[i], tau_cont)
  }
  
  # 二元变量似然（probit链接）
  for (i in 1:n) {
    mu_bin[i] <- alpha_bin + beta_bin * f[i]
    p[i] <- phi(mu_bin[i])
    y_bin[i] ~ dbern(p[i])
  }
}

关键注意事项 #

• 模型识别：潜因子模型必须添加识别约束，通常固定潜因子方差为1（如上例），或固定某一个因子载荷为1，避免模型不可识别。
• 链接函数选择：probit和logit链接均可使用，取决于研究场景偏好，JAGS对两者都原生支持。
• 数据输入：R端无需对变量类型做额外转换，直接将连续/二元变量放入数据列表即可，JAGS会根据模型中的分布定义自动处理。

内容的提问来源于stack exchange，提问作者Sarah