Я пытался воспроизвести результаты следующей статьи, используя R и JAGS, но безуспешно.Я могу заставить модель работать, но показанные результаты постоянно отличаются.
Ссылка на статью: https://www.pmi.org/learning/library/bayesian-approach-earned-value-management-2260
Цель статьи - использовать данные, собранные из отчетов управления проектами.например, оценить дату или бюджет завершения проекта.Результаты выполнения проекта в основном отражаются с использованием измерения Заработанной стоимости, который в основном основан на соотношении между фактической работой, выполненной и объемом работ, который планировалось выполнить до контрольной даты (в словах «Работа выполнена / Запланированная работа»).).Таким образом, если я потратил на третий месяц проекта 300 000 долл. США для производства объема работы, который ранее планировал потратить 270 000 долл. США, мой Индекс затрат (CPI) составит 300 000/270 000 = 1,111.Точно так же, если к 3-му месяцу я выполнил объем работы, который соответствует тому, что планировалось завершить к 2-му месяцу, мой индекс эффективности графика (SPI) будет 2/3 = 0,667.
Общая проблема, стоящая за этим документом, заключается в том, как использовать измерение производительности для обновления предыдущего представления об окончательной эффективности проекта.
Мой код показан ниже.Я должен был выполнить преобразование данных (добавив 1 перед выполнением log (), потому что некоторые из них были бы отрицательными, и JAGS выдает ошибку (вот почему параметры в моей модели отличаются от тех, что показаны в таблице 4).
Модель, использованная на бумаге, была логнормальной как вероятность и приоритет для mu и sigma на Normal и Inverse Gamma, соответственно. Так как синтаксис BUGS использует tau = 1 / (дисперсию) в качестве параметра для Normal и Lognormal, я использовалгамма-распределение по тау (это имело смысл для меня).
model_pmi <- function() {
for (i in 1:9) {
cpi_log[i] ~ dlnorm(mu_cpi, tau_cpi)
spi_log[i] ~ dlnorm(mu_spi, tau_spi)
}
tau_cpi ~ dgamma(75, 1)
mu_cpi ~ dnorm(0.734765, 558.126)
cpi_pred ~ dlnorm(mu_cpi, tau_cpi)
tau_spi ~ dgamma(75, 1.5)
mu_spi ~ dnorm(0.67784, 8265.285)
spi_pred ~ dlnorm(mu_spi, tau_spi)
}
model.file <- file.path(tempdir(), "model_pmi.txt")
write.model(model_pmi, model.file)
cpis <- c(0.486, 1.167, 0.856, 0.770, 1.552, 1.534, 1.268, 2.369, 2.921)
spis <- c(0.456, 1.350, 0.949, 0.922, 0.693, 0.109, 0.506, 0.588, 0.525)
cpi_log <- log(1+cpis)
spi_log <- log(1+spis)
data <- list("cpi_log", "spi_log")
params <- c("tau_cpi","mu_cpi","tau_spi", "mu_spi", "cpi_pred", "spi_pred")
inits <- function() { list(tau_cpi = 1, tau_spi = 1, mu_cpi = 1, mu_spi = 1, cpi_pred = 1, spi_pred = 1) }
out_test <- jags(data, inits, params, model.file, n.iter=10000)
out_test
95% ДИ (2,5%; 97,5%), найденные на бумаге, составляют (1,05; 2,35) для ИПЦ и (0,55; 1,525).) Модель представила результаты, показанные ниже. Для ИПЦ результаты довольно близки, но когда я увидел результаты для ИПЦ, я подумал, что это просто случайность.
Inference for Bugs model at
"C:\Users\felip\AppData\Local\Temp\RtmpSWZ70g/model_pmi.txt", fit using jags,
3 chains, each with 10000 iterations (first 5000 discarded), n.thin = 5
n.sims = 3000 iterations saved
mu.vect sd.vect 2.5% 25% 50% 75% 97.5% Rhat n.eff
cpi_pred 1.691 0.399 1.043 1.406 1.639 1.918 2.610 1.001 2200
mu_cpi 0.500 0.043 0.416 0.471 0.500 0.529 0.585 1.001 3000
mu_spi 0.668 0.011 0.647 0.660 0.668 0.675 0.690 1.001 3000
spi_pred 2.122 0.893 0.892 1.499 1.942 2.567 4.340 1.001 3000
tau_cpi 20.023 2.654 15.202 18.209 19.911 21.726 25.496 1.001 3000
tau_spi 6.132 0.675 4.889 5.657 6.107 6.568 7.541 1.001 3000
deviance 230.411 19.207 194.463 217.506 230.091 243.074 269.147 1.001 3000
For each parameter, n.eff is a crude measure of effective sample size,
and Rhat is the potential scale reduction factor (at convergence, Rhat=1).
DIC info (using the rule, pD = var(deviance)/2)
pD = 184.5 and DIC = 414.9
DIC is an estimate of expected predictive error (lower deviance is better).
Работал над этим длядни, не могу найти то, что отсутствует или что не так.