Я думаю, что ваша проблема может быть концептуализирована как байесовское обновление. Другими словами, ваши убеждения о параметрах в настоящее время представлены некоторым совместным распределением, тогда вы получаете еще одну точку данных, и вы хотите обновить свои убеждения в свете этой точки данных. И затем повторите этот процесс.
Если это так, то вы можете сделать модель Стэна, которая имеет только одну точку данных, но вам нужно каким-то образом представить ваши текущие убеждения с распределением вероятности для использования в качестве предыдущего. Обычно это делается с некоторым многомерным нормальным распределением по параметрам в неограниченном пространстве. Вы можете использовать функцию unconstrain_pars
в пакете rstan, чтобы получить матрицу безусловных задних рисунков, а затем посмотреть, с какой многомерной нормалью она близка. Вероятно, вы захотите использовать некоторую сокращенную оценку ковариации для многомерного нормального режима, если у вас много параметров. Затем в вашей программе Stan используйте многовариантную нормаль перед параметрами и выполните любые преобразования, которые вам нужно сделать, чтобы получить преобразованные параметры в ограниченном пространстве (многие такие преобразования описаны в Руководстве пользователя Стэна).
Действительно, если вы оцениваете иерархическую модель только с одной точкой данных, эта точка данных практически не содержит информации о группах, в которых отсутствует конкретная точка данных. Однако в этом случае поля задней части распределение для параметров опущенных групп будет по существу таким же, как и предыдущее распределение. Это нормально.