Stan (programari)

Stan

Tipus	Llenguatge de programació probabilística, Llenguatge de programació de domini específic i llenguatge de programació imperatiu
Versió estable	2.36.0 (10 desembre 2024)
Llicència	llicència BSD
Epònim	Stanisław Ulam
Característiques tècniques
Sistema operatiu	Unix-like
Escrit en	C++
Fonts de codi  Codi font Codi font
Més informació
Lloc web	mc-stan.org

Stan és un llenguatge de programació probabilístic per a inferència estadística escrit en C++. El llenguatge Stan s'utilitza per especificar un model estadístic (bayesià) amb un programa imperatiu que calcula la funció de densitat de probabilitat logarítmica.^[1]

Stan té llicència sota la nova llicència BSD. Stan rep el seu nom en honor a Stanislaw Ulam, pioner del mètode Montecarlo.

Stan va ser creat per un equip de desenvolupament format per 34 membres que inclou Andrew Gelman, Bob Carpenter, Matt Hoffman i Daniel Lee.^[2]

Es pot accedir al propi llenguatge Stan a través de diverses interfícies:^[3]

• CmdStan: un executable de línia d'ordres per a l'intèrpret d'ordres,
• CmdStanR i rstan - biblioteques de programari R,
• CmdStanPy i PyStan: biblioteques per al llenguatge de programació Python,
• CmdStan.rb - biblioteca per al llenguatge de programació Ruby,
• MatlabStan: integració amb l'entorn de computació numèrica MATLAB,
• Stan.jl: integració amb el llenguatge de programació Julia,
• StataStan: integració amb Stata.

A més, es proporcionen interfícies de nivell superior amb paquets que utilitzen Stan com a backend, principalment en llenguatge R :^[4]

• rstanarm proporciona un reemplaçament directe per als models freqüentistes proporcionats per la base R i lme4 utilitzant la sintaxi de la fórmula R;
• brms proporciona una àmplia gamma de models lineals i no lineals utilitzant la sintaxi de la fórmula R;
• profeta proporciona procediments automatitzats per a la previsió de sèries temporals.

Stan implementa algorismes de la cadena de Màrkov Monte Carlo (MCMC) basats en gradients per a inferència bayesiana, mètodes bayesians variacionals estocàstics i basats en gradients per a inferència bayesiana aproximada i optimització basada en gradients per a l'estimació de màxima probabilitat penalitzada.

• Algoritmes MCMC:
  • Hamiltonià Montecarlo (HMC)
  • No-U-Turn sampler (NUTS), una variant de l'HMC i del motor MCMC predeterminat de Stan
• Algorismes d'inferència variacional:
  • Inferència variacional de diferenciació automàtica
• Algoritmes d'optimització:
  • BFGS de memòria limitada (algorisme d'optimització predeterminat de Stan)
  • Algorisme de Broyden–Fletcher–Goldfarb–Shanno
  • Aproximació de Laplace per a estimacions clàssiques d'error estàndard i posteriors bayesians aproximats