Documente Academic
Documente Profesional
Documente Cultură
Implementacin en R
Paso 1.- Generamos una muestra aleatoria a partir de un punto inicial Xo.
Sea:
Siendo
X1=MoraMax_6meses
X2=Refinanciacin
Y=Flag_Cliente
attach(BaseDatos_Bayesiana)
####Corremos el modelo
fit=glm(Flag_Cliente~ MoraMax_6meses+Refinanciacin,family=binomial())
exp(coef(fit))
install.packages("gtools")
library(R2jags)
library(coda)
library(lattice)
library(R2winBUGS)
library(rjags)
library(superdiag)
library(mcmcplots)
library(ggplot2)
library(mirt)
library(gtools)
##implementamos el modelo
modelo= function(){
for(i in 1:n){
Flag_Cliente[i]~dbern(p[i])
logit(p[i])<-b0+b1*MoraMax_6meses[i]+b2*Refinanciacin[i]
##distribuciones a priori
b0~dnorm(0,1E-6)
b1~dnorm(0,1E-6)
b2~dnorm(0,1E-6)}
###Inicio del Algoritmo
data_mas<-list("Flag_cliente","MoraMax_6meses","Refinanciacin","n")
param_mas<-c("b0","b1","b2")
###Inists_mas<-function(){list("mu"=20}}
##Implementar el modelo
fit_mas<-jags(data=data_mas, parameters.to.save=param_mas,
print(fit_mas)
fit.mcmc<-as.mcmc(fit_mas)
xll()
plot(fit.mcmc)
superdiag(fit.mcmc,burnin=500)