How to write your first Stan program

How to write your first Stan program

Comment écrire votre premier programme Stan

par Ben Lambert

Sciences formelles & physiques Mathématiques PBTProbabilité et statistiquesPBTBInférence bayésienne
🎙 Ben Lambert 👥 148K 📅 14 novembre 2018 ⏱ 28 min 👁 38K 📄 tutoriel 🧭 2026-08-17
Disponible en : Français (actuel) English

Mots-clés

StanBayésienRMCMCrstan

Résumé

Cette vidéo de Ben Lambert, intitulée ‘How to write your first Stan program’, est un tutoriel pratique destiné aux débutants en statistique bayésienne et en programmation Stan. L’auteur explique comment écrire et exécuter un modèle Stan en utilisant R et la bibliothèque rstan. Il commence par présenter le modèle à ajuster : des données simulées de tailles d’individus, supposées suivre une loi normale de moyenne mu et d’écart-type sigma. Il définit ensuite les priors : mu suit une loi normale de moyenne 1.7 et d’écart-type 0.3, et sigma suit une loi de Cauchy tronquée à zéro (half-Cauchy) avec paramètre de localisation 0 et échelle 1. La démonstration se déroule dans RStudio : génération des données simulées avec R, création d’un fichier .stan, écriture des blocs data, parameters et model, puis compilation du modèle avec rstan. L’auteur insiste sur l’importance de déclarer des bornes inférieures pour les paramètres contraints (comme sigma) et sur l’utilisation de la vérification syntaxique à la sauvegarde. Ensuite, il exécute l’échantillonnage avec la fonction sampling, en spécifiant le nombre d’itérations, le nombre de chaînes (quatre recommandées) et l’utilisation de plusieurs cœurs pour la parallélisation. Il montre comment examiner les résultats avec print(fit) pour vérifier la convergence (R-hat, taille effective d’échantillon) et comment extraire les échantillons postérieurs avec extract pour tracer des histogrammes. Enfin, il présente l’interface ShinyStan pour une analyse plus visuelle des diagnostics. La vidéo est claire, bien structurée et adaptée aux débutants, bien qu’elle ne couvre pas les vérifications prédictives a posteriori, ce qui est mentionné comme essentiel.

253 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée pour un public débutant : le tutoriel fournit une introduction complète et pratique à Stan, couvrant les étapes clés de la création et de l’exécution d’un modèle. L’argumentation est solide : l’auteur explique non seulement comment faire, mais aussi pourquoi certaines pratiques sont importantes (par exemple, contraindre sigma à être positif, utiliser plusieurs chaînes pour diagnostiquer la convergence). Les explications sont claires et progressives, avec des démonstrations en direct. La vidéo est bien adaptée à son objectif pédagogique.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : l’auteur suit les bonnes pratiques de modélisation bayésienne, mentionne les limites (comme l’absence de vérifications prédictives) et renvoie à des ressources supplémentaires (son livre, le site de Stan). Les sources citées dans la description sont pertinentes : le site personnel de l’auteur sur le bayésien et la playlist du cours. Cependant, la vidéo ne fournit pas de références bibliographiques détaillées dans le contenu lui-même. L’adéquation entre le titre et le contenu est parfaite. Aucun commentaire n’a été fourni pour analyse.

185 mots

Adéquation titre / contenu

Le titre correspond parfaitement au contenu : il s'agit bien d'un guide pour écrire son premier programme Stan.

Qualité & fiabilité

8/10

Tutoriel clair et structuré, présentant pas à pas l'écriture et l'exécution d'un modèle Stan avec R. L'auteur est un universitaire reconnu en statistique bayésienne, et le contenu est cohérent avec les pratiques standards. Les explications sont précises, avec des mises en garde sur les pièges courants. La fiabilité est bonne, bien que le tutoriel ne couvre pas les vérifications prédictives a posteriori, ce qui est mentionné.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Sources concordantes

  • Stan User's Guide — Guide officiel de Stan, qui contient des exemples et des explications détaillées sur la syntaxe et les bonnes pratiques.

Apport & nouveautés

Cette vidéo apporte une introduction pratique et accessible à Stan, un langage de modélisation bayésienne. Elle se distingue par sa pédagogie progressive, montrant chaque étape de la création d’un modèle, de la génération de données à l’interprétation des résultats. L’accent mis sur les pièges courants (comme la nécessité de contraindre les paramètres) et sur les bonnes pratiques (comme l’utilisation de plusieurs chaînes) est précieux pour les débutants.

Pour aller plus loin :

  • Stan Documentation — Documentation officielle de Stan, incluant des tutoriels et des références complètes.
  • RStan — Page officielle du package RStan pour l’interface R.
  • Bayesian Data Analysis — Livre de référence de Gelman et al., couvrant les méthodes bayésiennes et les diagnostics MCMC.

115 mots

Profil radar

Le profil radar montre des scores élevés en quantité et qualité d'information, ainsi qu'en fiabilité, reflétant un tutoriel bien construit et fiable. Le niveau technique est légèrement inférieur, indiquant que le contenu est accessible aux débutants mais reste technique. La fiabilité globale est bonne, cohérente avec la réputation de l'auteur.

Fiabilité 8/10