I need to vectorized the stan code so that I can reduce the run time

I have this below code for marketing mix modelling application with thousands records and hundreds of media/control variables

functions {
 // the Hill function
 real Hill(real t, real ec, real slope) {
  return 1 / (1 + (t / ec)^(-slope));
 }
 // the adstock transformation with a vector of weights
 real Adstock(row_vector t, row_vector weights) {
  return dot_product(t, weights) / sum(weights);
 }
}

data {
 // the total number of observations
 int<lower=1> N;
 
  // the total number of training observations
 int<lower=1> T;
 // the total number of holdout observations
 int<lower=0> H;
 
 int<lower=0> n_interactions;
 int interaction_left[n_interactions];
 int interaction_right[n_interactions];

 int<lower=0> tau_dist_type;

 int<lower=0> noise_var_dist_type;


 real tau_dist_mean;
 real<lower=0> tau_dist_sd;

 real noise_var_dist_mean;
 real<lower=0> noise_var_dist_sd;


 // training data indexes 
 int training_index[T];
 // holdout data indexes 
 int holdout_index[H];

 real Y_train[T];
 real Y_holdout[H];
 
 // the maximum duration of lag effect, in weeks
 int<lower=1> max_lag;
 // the number of media channels
 int<lower=1> num_media;
 row_vector[num_media] media_prior_dist_type;
 row_vector[num_media] media_prior_mean;
 row_vector[num_media] media_prior_sd;

 row_vector[num_media] retain_rate_dist_type;
 row_vector[num_media] retain_rate_dist_mean;
 row_vector[num_media] retain_rate_dist_sd;

 row_vector[num_media] delay_dist_type;
 row_vector[num_media] delay_dist_mean;
 row_vector[num_media] delay_dist_sd;

 row_vector[num_media] slope_dist_type;
 row_vector[num_media] slope_dist_mean;
 row_vector[num_media] slope_dist_sd;

 row_vector[num_media] ec_dist_type;
 row_vector[num_media] ec_dist_mean;
 row_vector[num_media] ec_dist_sd;



 
 // a vector of 0 to max_lag - 1
 //row_vector[max_lag] lag_vec;
 // 3D array of media variables
 row_vector[max_lag] X_media[N, num_media];
 // the number of other control variables
 int<lower=1> num_ctrl;
 row_vector[num_ctrl] ctrl_prior_dist_type;
 row_vector[num_ctrl] ctrl_prior_mean;
 row_vector[num_ctrl] ctrl_prior_sd;
 
 // a matrix of control variables
 row_vector[num_ctrl] X_ctrl[N];
 
 
 row_vector<lower=0>[num_media] slope;
}

parameters {
 // residual variance
 real<lower=0> noise_var;
 // the intercept
 real tau;
 // the coefficients for media variables
 vector<lower=0>[num_media] beta_medias;
 // coefficients for other control variables
 vector[num_ctrl] gamma_ctrl;
 // the retention rate and delay parameter for the adstock transformation of
 // each media
 vector<lower=0,upper=1>[num_media] retain_rate;
 //vector<lower=0,upper=max_lag-1>[num_media] delay;
 // ec50 and slope for Hill function of each media
 vector<lower=0,upper=1>[num_media] ec;
 vector<lower=0>[n_interactions] beta_interactions;
 // vector<lower=0>[num_media] slope;
}

transformed parameters {
 // a vector of the mean response
 real mu[T];
 // the cumulative media effect after adstock
 real cum_effect;
 // the cumulative media effect after adstock, and then Hill transformation
 row_vector[num_media] cum_effects_hill[T];
 row_vector[max_lag] lag_weights;
 row_vector[n_interactions] cum_effects_hill_interaction[T];
 
 
 for (nn in 1:T) {
  for (media in 1 : num_media) {
   for (lag in 1 : max_lag) {
    lag_weights[lag] <- pow(retain_rate[media], (lag - 1) ); 
   }
   cum_effect <- Adstock(X_media[training_index[nn], media], lag_weights);
   cum_effects_hill[nn, media] <- Hill(cum_effect, ec[media], slope[media]);
  }
  

  
  if(n_interactions > 0)
   for (inter in 1:n_interactions){
    cum_effects_hill_interaction[nn,inter] = cum_effects_hill[nn,interaction_left[inter]]*cum_effects_hill[nn,interaction_right[inter]]; 
   }
   
  if(n_interactions > 0) 
    mu[nn] <- tau +
              dot_product(cum_effects_hill[nn], beta_medias) +
              dot_product(X_ctrl[training_index[nn]], gamma_ctrl) + 
              dot_product(cum_effects_hill_interaction[nn],beta_interactions);
  else  
   mu[nn] <- tau +
            dot_product(cum_effects_hill[nn], beta_medias) +
            dot_product(X_ctrl[training_index[nn]], gamma_ctrl);
 }
}
model {


  if (tau_dist_type == 0)
    tau ~ uniform(tau_dist_mean,tau_dist_sd);
  else if (tau_dist_type == 1)
    tau ~ normal(tau_dist_mean,tau_dist_sd);
  else if (tau_dist_type == 2)
    tau ~ beta(tau_dist_mean,tau_dist_sd);
  else if (tau_dist_type == 3)
    tau ~ gamma(tau_dist_mean,tau_dist_sd);
  else if (tau_dist_type == 4)
    tau ~ inv_gamma(tau_dist_mean,tau_dist_sd);

  for (media_index in 1 : num_media) {
  if (media_prior_dist_type[media_index] == 0)
    beta_medias[media_index] ~ uniform(media_prior_mean[media_index],media_prior_sd[media_index]);
  else if (media_prior_dist_type[media_index] == 1)
    beta_medias[media_index] ~ normal(media_prior_mean[media_index],media_prior_sd[media_index]);
  else if (media_prior_dist_type[media_index] == 2)
    beta_medias[media_index] ~ beta(media_prior_mean[media_index],media_prior_sd[media_index]);
  else if (media_prior_dist_type[media_index] == 3)
    beta_medias[media_index] ~ gamma(media_prior_mean[media_index],media_prior_sd[media_index]);
  else if (media_prior_dist_type[media_index] == 4)
    beta_medias[media_index] ~ inv_gamma(media_prior_mean[media_index],media_prior_sd[media_index]);
   
  if (retain_rate_dist_type[media_index] == 0)
    retain_rate[media_index] ~ uniform(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]);
  else if (retain_rate_dist_type[media_index] == 1)
    retain_rate[media_index] ~ normal(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]);
  else if (retain_rate_dist_type[media_index] == 2)
    retain_rate[media_index] ~ beta(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]);
  else if (retain_rate_dist_type[media_index] == 3)
    retain_rate[media_index] ~ gamma(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]);
  else if (retain_rate_dist_type[media_index] == 4)
    retain_rate[media_index] ~ inv_gamma(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]); 
   
  if (slope_dist_type[media_index] == 0)
    slope[media_index] ~ uniform(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  else if (slope_dist_type[media_index] == 1)
    slope[media_index] ~ normal(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  else if (slope_dist_type[media_index] == 2)
    slope[media_index] ~ beta(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  else if (slope_dist_type[media_index] == 3)
    slope[media_index] ~ gamma(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  else if (slope_dist_type[media_index] == 4)
    slope[media_index] ~ inv_gamma(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  
  
  if (ec_dist_type[media_index] == 0)
    ec[media_index] ~ uniform(ec_dist_mean[media_index],ec_dist_sd[media_index]);
  else if (ec_dist_type[media_index] == 1)
    ec[media_index] ~ normal(ec_dist_mean[media_index],ec_dist_sd[media_index]);
  else if (ec_dist_type[media_index] == 2)
    ec[media_index] ~ beta(ec_dist_mean[media_index],ec_dist_sd[media_index]);
  else if (ec_dist_type[media_index] == 3)
    ec[media_index] ~ gamma(ec_dist_mean[media_index],ec_dist_sd[media_index]);
  else if (ec_dist_type[media_index] == 4)
    ec[media_index] ~ inv_gamma(ec_dist_mean[media_index],ec_dist_sd[media_index]); 
   
   
  }
  for (ctrl_index in 1 : num_ctrl) {
  if (ctrl_prior_dist_type[ctrl_index] == 0)
    gamma_ctrl[ctrl_index] ~ uniform(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
  else if (ctrl_prior_dist_type[ctrl_index] == 1)
    gamma_ctrl[ctrl_index] ~ normal(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
  else if (ctrl_prior_dist_type[ctrl_index] == 2)
    gamma_ctrl[ctrl_index] ~ beta(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
  else if (ctrl_prior_dist_type[ctrl_index] == 3)
    gamma_ctrl[ctrl_index] ~ gamma(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
  else if (ctrl_prior_dist_type[ctrl_index] == 4)
    gamma_ctrl[ctrl_index] ~ inv_gamma(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
    
  }
  if (noise_var_dist_type == 0)
    noise_var ~ uniform(noise_var_dist_mean,noise_var_dist_sd);
  else if (noise_var_dist_type == 1)
    noise_var ~ normal(noise_var_dist_mean,noise_var_dist_sd);
  else if (noise_var_dist_type == 2)
    noise_var ~ beta(noise_var_dist_mean,noise_var_dist_sd);
  else if (noise_var_dist_type == 3)
    noise_var ~ gamma(noise_var_dist_mean,noise_var_dist_sd);
  else if (noise_var_dist_type == 4)
    noise_var ~ inv_gamma(noise_var_dist_mean,noise_var_dist_sd);
  Y_train ~ normal(mu, sqrt(noise_var));
}

I tried to vectorized this by below code and with new version of STAN but this code getting several error, can you help me to vectorize this stan so I can reduce the run time.
Or if there is another way to reduce run time.

functions {
  // The Hill function (vectorized for each media channel)
  vector Hill(vector t, vector ec, vector slope) {
    return 1 ./ (1 + pow((t ./ ec),(-slope)));
  }

  // The Adstock transformation (vectorized)
  vector Adstock(vector t, vector weights) {
    return (t.*weights)/ rowwise_sum(weights);
  }
}

data {
 // the total number of observations
 int<lower=1> N;
 
  // the total number of training observations
 int<lower=1> T;
 // the total number of holdout observations
 int<lower=0> H;
 
 int<lower=0> n_interactions;
 array[n_interactions] int interaction_left;
 array[n_interactions] int interaction_right;

 int<lower=0> tau_dist_type;

 int<lower=0> noise_var_dist_type;


 real tau_dist_mean;
 real<lower=0> tau_dist_sd;

 real noise_var_dist_mean;
 real<lower=0> noise_var_dist_sd;


 // training data indexes 
 array[T] int training_index;
 // holdout data indexes 
 array[H] int holdout_index;

 array[T] real Y_train;
 array[H] real Y_holdout;
 
 // the maximum duration of lag effect, in weeks
 int<lower=1> max_lag;
 // the number of media channels
 int<lower=1> num_media;
 row_vector[num_media] media_prior_dist_type;
 row_vector[num_media] media_prior_mean;
 row_vector[num_media] media_prior_sd;

 row_vector[num_media] retain_rate_dist_type;
 row_vector[num_media] retain_rate_dist_mean;
 row_vector[num_media] retain_rate_dist_sd;

 row_vector[num_media] delay_dist_type;
 row_vector[num_media] delay_dist_mean;
 row_vector[num_media] delay_dist_sd;

 row_vector[num_media] slope_dist_type;
 row_vector[num_media] slope_dist_mean;
 row_vector[num_media] slope_dist_sd;

 row_vector[num_media] ec_dist_type;
 row_vector[num_media] ec_dist_mean;
 row_vector[num_media] ec_dist_sd;



 
 // a vector of 0 to max_lag - 1
 //row_vector[max_lag] lag_vec;
 // 3D array of media variables
 array[N, num_media] row_vector[max_lag] X_media;
 // the number of other control variables
 int<lower=1> num_ctrl;
 row_vector[num_ctrl] ctrl_prior_dist_type;
 row_vector[num_ctrl] ctrl_prior_mean;
 row_vector[num_ctrl] ctrl_prior_sd;
 
 // a matrix of control variables
 array[N] row_vector[num_ctrl] X_ctrl;
 
 
 row_vector<lower=0>[num_media] slope;
}

parameters {
 // residual variance
 real<lower=0> noise_var;
 // the intercept
 real tau;
 // the coefficients for media variables
 vector<lower=0>[num_media] beta_medias;
 // coefficients for other control variables
 vector[num_ctrl] gamma_ctrl;
 // the retention rate and delay parameter for the adstock transformation of
 // each media
 vector<lower=0,upper=1>[num_media] retain_rate;
 //vector<lower=0,upper=max_lag-1>[num_media] delay;
 // ec50 and slope for Hill function of each media
 vector<lower=0,upper=1>[num_media] ec;
 vector<lower=0>[n_interactions] beta_interactions;
 // vector<lower=0>[num_media] slope;
}

transformed parameters {
 matrix[T, num_media] cum_effects;               // Cumulative effects after Adstock
 matrix[T, num_media] cum_effects_hill;          // After Hill transformation
 matrix[T, n_interactions] cum_effects_hill_interaction; // Interaction effects
 vector[T] mu; 
 array[num_media] row_vector[max_lag] lag_weights; // Mean response

 for (media in 1 : num_media) {
   for (lag in 1 : max_lag) {
    lag_weights[media,lag] = pow(retain_rate[media], (lag - 1) ); 
   }
 }

  // Apply Adstock transformation
  
  cum_effects = Adstock(X_media[training_index, ], lag_weights);

  // Apply Hill transformation using vectorized `Hill` function
  cum_effects_hill = Hill(cum_effects, ec, slope);

  // Compute interaction effects if applicable
  if (n_interactions > 0) {
    for (inter in 1:n_interactions) {
      cum_effects_hill_interaction[, inter] = 
        cum_effects_hill[, interaction_left[inter]] .* cum_effects_hill[, interaction_right[inter]];
    }
  }

  // Compute mu using dot products for medias, controls, and interactions
  if (n_interactions > 0) {
    mu = tau + 
         cum_effects_hill * beta_medias + 
         X_ctrl[training_index, ] * gamma_ctrl + 
         cum_effects_hill_interaction * beta_interactions;
  } else {
    mu = tau + 
         cum_effects_hill * beta_medias + 
         X_ctrl[training_index, ] * gamma_ctrl;
  }
}

model {


  if (tau_dist_type == 0)
    tau ~ uniform(tau_dist_mean,tau_dist_sd);
  else if (tau_dist_type == 1)
    tau ~ normal(tau_dist_mean,tau_dist_sd);
  else if (tau_dist_type == 2)
    tau ~ beta(tau_dist_mean,tau_dist_sd);
  else if (tau_dist_type == 3)
    tau ~ gamma(tau_dist_mean,tau_dist_sd);
  else if (tau_dist_type == 4)
    tau ~ inv_gamma(tau_dist_mean,tau_dist_sd);

  for (media_index in 1 : num_media) {
  if (media_prior_dist_type[media_index] == 0)
    beta_medias[media_index] ~ uniform(media_prior_mean[media_index],media_prior_sd[media_index]);
  else if (media_prior_dist_type[media_index] == 1)
    beta_medias[media_index] ~ normal(media_prior_mean[media_index],media_prior_sd[media_index]);
  else if (media_prior_dist_type[media_index] == 2)
    beta_medias[media_index] ~ beta(media_prior_mean[media_index],media_prior_sd[media_index]);
  else if (media_prior_dist_type[media_index] == 3)
    beta_medias[media_index] ~ gamma(media_prior_mean[media_index],media_prior_sd[media_index]);
  else if (media_prior_dist_type[media_index] == 4)
    beta_medias[media_index] ~ inv_gamma(media_prior_mean[media_index],media_prior_sd[media_index]);
   
  if (retain_rate_dist_type[media_index] == 0)
    retain_rate[media_index] ~ uniform(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]);
  else if (retain_rate_dist_type[media_index] == 1)
    retain_rate[media_index] ~ normal(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]);
  else if (retain_rate_dist_type[media_index] == 2)
    retain_rate[media_index] ~ beta(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]);
  else if (retain_rate_dist_type[media_index] == 3)
    retain_rate[media_index] ~ gamma(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]);
  else if (retain_rate_dist_type[media_index] == 4)
    retain_rate[media_index] ~ inv_gamma(retain_rate_dist_mean[media_index],retain_rate_dist_sd[media_index]); 
   
  if (slope_dist_type[media_index] == 0)
    slope[media_index] ~ uniform(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  else if (slope_dist_type[media_index] == 1)
    slope[media_index] ~ normal(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  else if (slope_dist_type[media_index] == 2)
    slope[media_index] ~ beta(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  else if (slope_dist_type[media_index] == 3)
    slope[media_index] ~ gamma(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  else if (slope_dist_type[media_index] == 4)
    slope[media_index] ~ inv_gamma(slope_dist_mean[media_index],slope_dist_sd[media_index]);
  
  
  if (ec_dist_type[media_index] == 0)
    ec[media_index] ~ uniform(ec_dist_mean[media_index],ec_dist_sd[media_index]);
  else if (ec_dist_type[media_index] == 1)
    ec[media_index] ~ normal(ec_dist_mean[media_index],ec_dist_sd[media_index]);
  else if (ec_dist_type[media_index] == 2)
    ec[media_index] ~ beta(ec_dist_mean[media_index],ec_dist_sd[media_index]);
  else if (ec_dist_type[media_index] == 3)
    ec[media_index] ~ gamma(ec_dist_mean[media_index],ec_dist_sd[media_index]);
  else if (ec_dist_type[media_index] == 4)
    ec[media_index] ~ inv_gamma(ec_dist_mean[media_index],ec_dist_sd[media_index]); 
   
   
  }
  for (ctrl_index in 1 : num_ctrl) {
  if (ctrl_prior_dist_type[ctrl_index] == 0)
    gamma_ctrl[ctrl_index] ~ uniform(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
  else if (ctrl_prior_dist_type[ctrl_index] == 1)
    gamma_ctrl[ctrl_index] ~ normal(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
  else if (ctrl_prior_dist_type[ctrl_index] == 2)
    gamma_ctrl[ctrl_index] ~ beta(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
  else if (ctrl_prior_dist_type[ctrl_index] == 3)
    gamma_ctrl[ctrl_index] ~ gamma(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
  else if (ctrl_prior_dist_type[ctrl_index] == 4)
    gamma_ctrl[ctrl_index] ~ inv_gamma(ctrl_prior_mean[ctrl_index],ctrl_prior_sd[ctrl_index]);
    
  }
  if (noise_var_dist_type == 0)
    noise_var ~ uniform(noise_var_dist_mean,noise_var_dist_sd);
  else if (noise_var_dist_type == 1)
    noise_var ~ normal(noise_var_dist_mean,noise_var_dist_sd);
  else if (noise_var_dist_type == 2)
    noise_var ~ beta(noise_var_dist_mean,noise_var_dist_sd);
  else if (noise_var_dist_type == 3)
    noise_var ~ gamma(noise_var_dist_mean,noise_var_dist_sd);
  else if (noise_var_dist_type == 4)
    noise_var ~ inv_gamma(noise_var_dist_mean,noise_var_dist_sd);
  Y_train ~ normal(mu, sqrt(noise_var));
}

Thanks in advance

  • python
  • bayesian
  • stan
  • pystan

1

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị

Filed under: Kiến thức lập trình - @ 13:01

Thẻ:

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật