R에서 Stan 모델 작성하기
Stan 문법으로 데이터 블록, 매개변수 및 모델 블록을 정의합니다.
R에서 Stan 모델 작성하기은(는) CoddyKit의 무료 R Academy 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 R Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. R Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
Stan이란?
Stan은 베이지안 통계 모델링을 위한 확률 프로그래밍 언어입니다. RStan은 Stan에 연결하는 R 인터페이스입니다. Stan 언어(C++와 유사)로 모델을 작성하면 Stan이 이를 효율적인 C++ 코드로 컴파일하고, 해밀토니안 몬테카를로(HMC) 샘플링을 실행해 사후 분포를 근사합니다.
# Stan installation check
library(rstan)
# Check version
cat('RStan version:', as.character(packageVersion('rstan')), '\n')
# Enable parallel chains
options(mc.cores = parallel::detectCores())
# Reuse compiled models across sessions
rstan_options(auto_write = TRUE)
cat('Stan ready. Cores:', parallel::detectCores(), '\n')Stan 모델 구조
Stan 모델에는 이름이 지정된 블록이 최대 6개 있습니다. data, transformed data, parameters, transformed parameters, model, generated quantities입니다. 이 중 필수 블록은 data, parameters, model입니다.
library(rstan)
# Stan model as a character string in R
stan_code <- '
data {
int<lower=0> N; // number of observations
vector[N] x; // predictor
vector[N] y; // response
}
parameters {
real alpha; // intercept
real beta; // slope
real<lower=0> sigma; // noise (must be positive)
}
model {
// Priors
alpha ~ normal(0, 10);
beta ~ normal(0, 10);
sigma ~ exponential(1);
// Likelihood
y ~ normal(alpha + beta * x, sigma);
}
'
cat('Stan model defined as a string in R\n')
cat('Blocks: data, parameters, model\n')data{}: 입력 데이터 선언
data 블록은 모델이 R에서 받는 모든 외부 데이터를 선언합니다. 자료형에는 int, real, vector[N], matrix[M,N], array가 있습니다. <lower=0>과 같은 제약 조건은 실행 중에 확인됩니다.
library(rstan)
# Comprehensive data block examples
data_block_examples <- '
data {
// Scalars
int<lower=1> N; // at least 1 observation
int<lower=2> K; // at least 2 groups
// Constrained scalars
real<lower=0, upper=1> rate; // probability
// Vectors
vector[N] y; // continuous response
array[N] int<lower=0, upper=1> z; // binary outcomes
// Matrix
matrix[N, K] X; // design matrix
// Integer array
array[N] int group; // group membership 1..K
}
'
cat(data_block_examples)parameters{}: 매개변수 유형
parameters 블록은 Stan이 표본 추출할 미지의 값을 선언합니다. 이 블록의 제약 조건은 매개변수 공간을 정의합니다. 양수인 양에는 <lower=0>을, 확률에는 <lower=0, upper=1>을 사용합니다. Stan은 제약이 있는 매개변수에 대해 로그 확률 야코비안 보정을 자동으로 적용합니다.
library(rstan)
# Common parameter declarations
param_examples <- '
parameters {
// Unconstrained
real mu; // mean
vector[K] beta; // regression coefficients
// Positive (sigma, lambda, variance)
real<lower=0> sigma;
real<lower=0> lambda;
// Probability
real<lower=0, upper=1> theta;
// Simplex (sums to 1, for mixture weights)
simplex[K] pi;
// Correlation matrix
corr_matrix[K] Omega;
// Cholesky factor of covariance
cholesky_factor_cov[K] L_Sigma;
}
'
cat(param_examples)model{}: 사전분포와 가능도
model 블록은 ~(틸드) 구문을 통해 로그 사후분포를 누적합니다. y ~ normal(mu, sigma)는 정규 PDF의 로그를 target에 더하는 축약 표현입니다. target += normal_lpdf(y | mu, sigma)를 사용하면 로그 확률 증가분을 명시적으로 작성할 수 있습니다.
library(rstan)
model_block_example <- '
model {
// --- Priors ---
mu ~ normal(0, 10); // weakly informative
sigma ~ cauchy(0, 2.5); // half-Cauchy for scale
beta ~ normal(0, 1); // standardised coefficients
// --- Likelihood ---
// Tilde notation (most common)
y ~ normal(mu + X * beta, sigma);
// Equivalent explicit notation:
// target += normal_lpdf(y | mu + X * beta, sigma);
// For loop (less common but valid)
// for (i in 1:N)
// target += normal_lpdf(y[i] | mu, sigma);
}
'
cat(model_block_example)간단한 정규 모델 적합
다음은 완전하면서도 최소한으로 구성된 Stan 작업 흐름입니다. 모델 문자열을 정의하고, 데이터 목록을 준비한 다음, stan()을 호출하고, print()로 결과를 확인합니다. Stan은 처음 실행할 때 모델을 컴파일하고 이후 실행을 위해 캐시합니다.
library(rstan)
# Stan model: estimate mean and SD of a normal distribution
normal_model <- '
data {
int<lower=0> N;
vector[N] y;
}
parameters {
real mu;
real<lower=0> sigma;
}
model {
mu ~ normal(0, 10);
sigma ~ exponential(0.1);
y ~ normal(mu, sigma);
}
'
# Simulate data
set.seed(42)
y_data <- rnorm(50, mean = 5, sd = 2)
# Fit the model
fit <- stan(
model_code = normal_model,
data = list(N = length(y_data), y = y_data),
chains = 2,
iter = 1000,
warmup = 500,
refresh = 0 # suppress iteration output
)
print(fit, pars = c('mu', 'sigma'))Stan에서의 선형 회귀
Stan을 사용하면 베이지안 선형 회귀를 간단하게 구현할 수 있습니다. 계수에는 정규 사전분포를 지정하고 sigma에는 지수분포 또는 반 코시 사전분포를 지정합니다. 사후분포는 점 추정치만이 아니라 각 계수의 전체 불확실성 분포를 제공합니다.
library(rstan)
lin_reg_model <- '
data {
int<lower=0> N;
vector[N] x;
vector[N] y;
}
parameters {
real alpha;
real beta;
real<lower=0> sigma;
}
model {
alpha ~ normal(0, 10);
beta ~ normal(0, 10);
sigma ~ exponential(1);
y ~ normal(alpha + beta * x, sigma);
}
generated quantities {
vector[N] y_rep; // posterior predictive
for (i in 1:N)
y_rep[i] = normal_rng(alpha + beta * x[i], sigma);
}
'
set.seed(7)
n <- 80
x <- rnorm(n); y <- 2 + 3 * x + rnorm(n, 0, 1)
fit <- stan(model_code = lin_reg_model,
data = list(N = n, x = x, y = y),
chains = 2, iter = 1000, refresh = 0)
print(fit, pars = c('alpha', 'beta', 'sigma'))transformed parameters{} 블록
transformed parameters 블록은 표본 추출된 매개변수에서 파생된 값을 계산합니다. 기본 매개변수의 해석 가능성을 유지하면서 수치적으로 안정적인 방식(예: 촐레스키 분해, 로그 변환)으로 모델을 매개변수화할 때 유용합니다.
library(rstan)
# Model with transformed parameters
trans_param_example <- '
data {
int<lower=0> N;
array[N] int<lower=0> y; // counts
}
parameters {
real log_lambda; // work in log space for stability
}
transformed parameters {
real<lower=0> lambda;
lambda = exp(log_lambda); // transform back to original scale
}
model {
log_lambda ~ normal(1, 2); // prior on log scale
y ~ poisson(lambda);
}
'
set.seed(42)
y_counts <- rpois(30, lambda = 5)
fit_poisson <- stan(
model_code = trans_param_example,
data = list(N = length(y_counts), y = y_counts),
chains = 2, iter = 1000, refresh = 0
)
print(fit_poisson, pars = c('log_lambda', 'lambda'))generated quantities{} 블록
generated quantities 블록은 표본 추출이 끝난 후 실행되어 추가 값을 계산합니다. 예를 들어 사후 예측 표본(y_rep), LOO-CV를 위한 로그 가능도, 요약을 위한 변환된 매개변수 등을 계산할 수 있습니다. 이 블록의 값은 사후 예측 분포에서 표본 추출됩니다.
library(rstan)
# Use generated quantities for posterior predictive checks
model_with_gq <- '
data {
int<lower=0> N;
vector[N] y;
}
parameters {
real mu;
real<lower=0> sigma;
}
model {
mu ~ normal(0, 10);
sigma ~ exponential(0.5);
y ~ normal(mu, sigma);
}
generated quantities {
vector[N] y_rep; // replicated datasets
real mean_y_rep; // mean of replicated data
for (i in 1:N)
y_rep[i] = normal_rng(mu, sigma);
mean_y_rep = mean(y_rep);
}
'
set.seed(1)
y_obs <- rnorm(40, 3, 1.5)
fit <- stan(model_code = model_with_gq,
data = list(N = length(y_obs), y = y_obs),
chains = 2, iter = 1000, refresh = 0)
print(fit, pars = c('mu', 'sigma', 'mean_y_rep'))R에서 Stan으로 데이터 전달하기
stan()의 data 인수는 이름이 지정된 R 목록입니다. 이름은 Stan의 data{} 블록에서 선언한 변수 이름과 정확히 일치해야 합니다. 벡터는 Stan의 vector[N]가 되고, 정수는 int가 되며, R 행렬은 Stan의 matrix[M,N]이 됩니다.
library(rstan)
# Data preparation: names must match Stan data block exactly
set.seed(42)
n <- 60
x1 <- rnorm(n)
x2 <- rnorm(n)
y <- 1.5 + 2 * x1 - 0.8 * x2 + rnorm(n, 0, 0.5)
# Build the design matrix
X <- cbind(x1, x2) # 60 x 2 matrix
# Named list passed to stan(data = ...)
stan_data <- list(
N = n, # int
K = ncol(X), # int
X = X, # matrix[N, K]
y = y # vector[N]
)
cat('Stan data list elements:\n')
for (nm in names(stan_data)) {
cat(' ', nm, ': class =', class(stan_data[[nm]]),
'dim =', paste(dim(stan_data[[nm]]), collapse = 'x'),
'\n')
}컴파일된 모델 확인하기
적합이 끝난 후 print(fit)을 사용하면 모든 매개변수에 대한 사후분포 요약(평균, se_mean, sd, 분위수, Rhat, n_eff)을 확인할 수 있습니다. 시각적 구간 도표에는 stan_plot(fit)을, 연쇄 혼합 상태를 평가하려면 traceplot(fit)을 사용합니다.
library(rstan)
# Reuse the simple normal model from scene 6
normal_model <- '
data { int<lower=0> N; vector[N] y; }
parameters { real mu; real<lower=0> sigma; }
model {
mu ~ normal(0, 10);
sigma ~ exponential(0.1);
y ~ normal(mu, sigma);
}
'
set.seed(5)
fit <- stan(model_code = normal_model,
data = list(N = 50, y = rnorm(50, 7, 3)),
chains = 2, iter = 1000, refresh = 0)
# Detailed summary table
print(fit)
# Extract as data frame
posterior_df <- as.data.frame(fit)
cat('\nPosterior samples shape:', nrow(posterior_df),
'rows x', ncol(posterior_df), 'cols\n')빠른 확인
Stan 모델에서 매개변수가 엄밀히 양수가 되도록 제한하려고 합니다(예: 표준편차). 어떤 선언이 올바를까요?
복습: Stan 모델 작성하기
핵심 요점:
- Stan 모델에는 세 가지 필수 블록이 있습니다:
data{},parameters{},model{} - 제약 조건: 확률에는
<lower=0>,<upper=1>,<lower=0, upper=1>을 사용합니다 - 유형:
int,real,vector[N],matrix[M,N],simplex[K] - 모델 블록: 사전분포와 가능도에는 틸드 구문
y ~ normal(mu, sigma)을 사용합니다 - 파생된 값에는
transformed parameters{}를, 표본 추출 후 계산에는generated quantities{}를 사용합니다 - 데이터는 Stan 블록 이름과 정확히 일치하는 이름 지정 R 목록으로 전달합니다
rstan_options(auto_write = TRUE)는 컴파일된 모델을 캐시합니다
library(rstan)
# Stan model skeleton
model_skeleton <- '
data { int N; vector[N] y; }
parameters { real mu; real<lower=0> sigma; }
model { mu ~ normal(0,10); sigma ~ exponential(1); y ~ normal(mu, sigma); }
'
cat(model_skeleton)
cat('\nFit with: stan(model_code = model_skeleton, data = list(N=..., y=...), chains=4)\n')자주 묻는 질문
“R에서 Stan 모델 작성하기” 강의는 무료인가요?
네 — “R에서 Stan 모델 작성하기” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 R Academy 강의 전체를 잠금 해제할 수 있습니다. R Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
“R에서 Stan 모델 작성하기”에서 뭘 배우나요?
Stan 문법으로 데이터 블록, 매개변수 및 모델 블록을 정의합니다. 브라우저에서 직접 실행하는 실습 코드로 R Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
R Academy을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 R Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.
“R에서 Stan 모델 작성하기” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 R Academy 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 R Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.
이 강의의 모든 강의
- 베이지안 사고 입문
- R에서 Stan 모델 작성하기
- MCMC 표본추출과 진단
- 사후예측검사