Vol.1
前言
Stan 是一种编程语言，用于统计建模和数据分析。它使用贝叶斯方法，提供灵活的模型定义和高效的推断算法，适合复杂的统计模型等。Stan语言支持多种编程接口，其中RStan 是 Stan 的 R 语言接口，允许用户在 R 中编写、编译和运行 Stan 模型，并对结果进行分析和可视化。
Vol.2
Stan 的特点和优势
1
贝叶斯推断
Stan是一个全新的贝叶斯软件,是对汉密尔顿蒙特卡罗算法( Hamiltonian Monte Carlo, HMC)的扩展应用，能够高效估计复杂模型的后验分布。
2
灵活的建模语言
Stan 提供简洁且通用的建模语法，用户可以自定义复杂的统计模型，包括层级模型等。
3
高效的采样算法
Stan的 HMC 算法通常比传统的MCMC方法更高效，尤其在高维模型中表现良好。
Vol.3
Stan 的基本用法
Stan 的运行可分为以下 6 个步骤:
1、使用 Stan 概率模型语言,建立贝叶斯统计模型
2、通过 Stanc 函数将 Stan 模型语言编译为 C + + 代码
3、将 C + + 代码编译为可以被 R 载入的动态链接库
4、运行动态链接库的程序从后验分布中抽样
5、对后验分布样本进行收敛诊断
6、基于后验分布进行统计推断。
通常2-4步可从 R 中调用函数来实现，使用者不需要了解其中具体过程，但是如需对程序进行调试，也可以逐步执行2-4步。
Vol.4
RStan 的安装
1.rstan (stan and the rstan R package);https://mc-stan.org/users/interfaces/rstan.html
2.cmdstanr;https://mc-stan.org/cmdstanr/
rstan的安装
stan的安装具有其自身的特点且较为复杂，本次推文将只介绍在windows平台下，基于R的stan的安装和使用。首先需要安装好R软件。
检查 C + + 工具链安装情况，运行以下命令:
pkgbuild::has_build_tools( debug = TRUE)
如果输出的是FALSE，说明包含 C++工具链的Ｒtools软件尚未安装，可以从 http://cran.r-project.org/bin/windows/Rtools/ 下载并安装。在安装过程中，需要勾选“add rtools to system Path”选项。
pkgbuild::has_build_tools(debug = TRUE)
另外，RStan 安装前，为确保 R 中没有 RStan，在 R 中运行以下命令以清除原有 RStan:
remove.packages("rstan")if (file.exists(".RData")) file.remove(".RData")
重启 R，安装 rstan 包。运行以下命令：
install.packages("rstan", repos = "https://cloud.r-project.org/", dependencies = TRUE)
验证安装：要验证是否安装成功，可以运行 RStan 示例/测试模型：
example(stan_model, package = "rstan", run.dontrun = TRUE)
载入 rstan 包，运行命令:
library (rstan)
cmdstanr的安装
install.packages("cmdstanr", repos = c('https://stan-dev.r-universe.dev', getOption("repos")))
安装好后直接加载以下这些包，方便后面调用
library(cmdstanr)library(posterior)library(bayesplot)color_scheme_set("brightblue")
CmdStanR 需要先安装好CmdStan（Stan 的 shell 接口）。在安装之前也是需要有 C++ 工具链。
首先检查工具链是否设置在正确，使用以下函数：
check_cmdstan_toolchain()
如果配置正确，就会如下所示：
当配置正确时，就可以调用 install_cmdstan（）函数来安装 CmdStan：
install_cmdstan(cores = 2)
如果顺利的话，一般就是安装好了，但是往往很多时候，都是不顺的...比如，可能安装了半天，最后出来的结果是这样的
在使用 CmdStanR 之前，它需要知道 CmdStan 安装的位置。检查 CmdStan 安装的路径和 CmdStan 版本号，可以使用：
cmdstan_path()cmdstan_version()
但由于上一步出bug了，所以这两行也不会出结果，所以这时，我们还是需要解决上一步的问题。
首先我们的cmdstanr应该是装好了，不出所料，可以运行一下library(cmdstanr)会发现是能加载出来的，但是大多数情况都是这一行代码install_cmdstan(cores = 2)会报错，根据报错的原因可以发现应该是解压错误。
这时候我们可以直接手动去C盘解压一下，找到C:\Users\Administrator\.cmdstan，可以发现解压出来也是有问题的，进展到30%可能就断了，所以这时候我们可以自己手动去下载。下载的网址如下：https://github.com/stan-dev/cmdstan/releases
下完手动解压之后一切都好使了，cmdstan_path()，cmdstan_version()这两行代码也能运行成功，但是可能会发现模型可能无法编译。最后又得把这个文件给手动删掉，然后尝试了好几次，通过install_cmdstan(cores = 1)也不行，最后通过install_cmdstan(cores = )成功了。如果小伙伴们在安装的时候出现了这些情况，可以按照我的步骤挨个试一下，也许就装成了。
示例
编译模型
cmdstan_model()是 cmdstanr 中的函数，用于编译 Stan 模型。它接受一个 Stan 文件路径作为输入，并将其编译为一个可执行模型。在这里，我们使用cmdstan安装附带的示例stan程序
file <- file.path(cmdstan_path(), "examples", "bernoulli", "bernoulli.stan")mod <- cmdstan_model(file)mod$print()
这个 Stan 模型编码了一个简单的伯努利模型，这个模型通过给定的数据 y 来估计 theta。其中theta 的先验分布是均匀分布。
data:定义数据
intN：定义一个非负整数 N，表示观测数据 y 的样本量。
array[N] inty：定义一个长度为 N 的整数数组 y，其中每个元素的取值在 0 和 1 之间。y 是观测数据，表示 N 次伯努利试验的结果（1 表示成功，0 表示失败）。
parameters：定义参数
realtheta：定义参数 theta，表示伯努利试验的成功概率。该参数的取值在 [0, 1] 区间。
model：定义模型
theta ~ beta(1, 1)：给 theta 赋予一个 Beta(1, 1) 分布作为先验分布。在 Beta(1, 1) 下，theta 的分布是均匀分布，即在 [0, 1] 区间内，每个值的概率相等。
y ~ bernoulli(theta)：定义观测数据 y 的似然函数，假设 y 服从伯努利分布，成功概率为 theta。这表示在 N 次伯努利试验中，每个试验的成功概率为 theta。
这个模型是一种简单的贝叶斯估计方法，用于估计伯努利试验的成功概率 theta。模型给 theta 一个先验（均匀分布），然后通过观测数据更新对 theta 的认识，即计算其后验分布。
运行 MCMC
Vol.5
计算方法
RStan 和 cmdstanr 都是用于在 R 中运行 Stan 模型的接口。
1
实现方式和依赖
RStan：是 Stan 的内存接口，依赖于 Rcpp 和 inline 等 R 包从 R 调用 C++ 代码。
cmdstanr：并不直接从 R 中调用任何 C++ 代码，而是基于 CmdStan，它是 Stan 的命令行接口。cmdstanr依靠幕后的 CmdStan 接口进行编译、运行算法以及将结果写入输出文件。
2
安装与兼容性
RStan：对于 RStan 来说，跟上 Stan 版本是很复杂的，通常需要对 rstan 包以及 rstan 和 StanHeaders 的新 CRAN 版本进行重要的更改。
cmdstanr：使用 CmdStanR，在使用cmdstanr::install_cmdstan（）更新 CmdStan 后，R 将立即提供 Stan 中的最新改进。安装过程中，cmdstanr 自动下载并配置 CmdStan，减少了依赖冲突的可能性。
3
编译速度和性能
编译速度：cmdstanr 利用命令行编译器，编译速度通常比 RStan 更快，特别是对于较复杂的 Stan 模型来说更为明显。
内存和计算效率：cmdstanr 的内存管理通常更高效，占用内存更少，在大型数据和高维模型上表现更好。此外，cmdstanr 支持并行化运行多个链，大大提高了运行效率。
4
数据传输和结果处理
RStan：直接将数据和结果存储在 R 内存中，适合小规模数据分析。但当数据较大时，R 的内存管理会不足。
cmdstanr：数据传递和结果存储更灵活，结果可以保存为 .csv 文件，适合大型数据集分析。且 .csv 文件便于外部存储和其他工具进一步分析。
5
并行和采样速度
RStan：支持并行，但设置较为复杂，且在大型模型上可能性能有限。
cmdstanr：并行化配置简单，用户可以轻松指定 parallel_chains 参数来运行多个链，在多核 CPU 上运行更高效。
6
使用体验
RStan：适合小规模、简单的模型以及快速原型开发，在 R 环境内即可轻松完成所有任务。
cmdstanr：适合复杂模型和大数据分析，运行速度快，资源管理更高效，且与外部数据管道的集成更方便。
如果希望直接在 R 中构建并快速测试小型 Stan 模型，RStan 是一个便捷的选择。如果对模型规模、性能和系统兼容性有更高要求，尤其是大型数据或复杂模型分析，cmdstanr 更具优势。
PSYCH统计实验室
通知公告
网络分析课程目前开放视频课啦！
单次课200元/讲（学生），250元/讲（非学生）
共有四讲内容：
①横断面网络分析简介与基础
②网络分析与因子分析
③交叉滞后网络分析
④时间序列网络分析
购买后开放视频权限14天，可多次申请。
并赠送所有课程相关资料（无PPT）
如果想申请购买，请联系M18812507626
更多资讯
关注我们
文稿：Traveler
排版：Peruere
责编：Wink
审核：摘星
本文由“Psych统计自习室”课题组原创，欢迎转发至朋友圈。如需转载请联系后台，征得作者同意后方可转载。
