216. Bayesci çok düzeyli (karma) model: brms/Stan, LOO
Şablon kimliği: brms_cok_duzeyli · Kategori: bayes · Dil: R · Dosya: pro/sablonlar/bayes/brms_cok_duzeyli.R (satır 1–241; üstbilgi 1–121) · Örnek veri: _ornek/sleepstudy.csv · Paketler: brms 2.23.0, rstan 2.32.7, loo 2.10.1 (R 4.5.3)
216.1 Ne işe yarar
Şablon, kümelenmiş (gruplu) bir yanıtı sabit etkiler ve gruba göre değişen rastgele kesişim ve eğimlerle modeller; kestirimi Stan'ın NUTS örnekleyicisiyle Bayesci yapar. Cevapladığı soru: "Grup düzeyindeki değişkenliği hesaba katınca sabit etkiler ve grup varyansları nelerdir ve ne kadar belirsizdir?"
- y_{ij}: j. gruptaki i. gözlem; g: aileye göre bağlantı (Gauss ve Student-t'de özdeşlik, Poisson ve negatif binomda \log, Bernoulli ve sıralıda \mathrm{logit}).
- \boldsymbol\beta: sabit etkiler; u_{0j}: grup kesişimi; \mathbf u_j:
egimseçilen yordayıcıların grup eğimleri (\mathbf z_{ij} onların değerleri). - \boldsymbol\tau: rastgele etki standart sapmaları; \boldsymbol\Omega: korelasyon matrisi (
re_korelasyonkapalıysa birim matris).
Ne zaman kullanılır?
- Aynı birimden tekrarlı ölçüm ya da kümelenme vardır ve varyans bileşenlerinin tam sonsal belirsizliği, LOO ile model karşılaştırması ve sonsal öngörü denetimi isteniyorsa.
- Küçük grup sayısında en çok olabilirlik kestirimi tekilleştiğinde (varyans sıfıra yapışması): öncüller kestirimi düzenler.
Ne zaman kullanılmaz?
- Yalnız hızlı en çok olabilirlik kestirimi gerekiyorsa: temel programdaki LMM (Doğrusal Karma Modeller) ve GLMM (Genelleştirilmiş Doğrusal Karma Modeller).
- Sıralı, nominal ya da sıfır şişkin karma modeller için sırasıyla
clmm_sirali_karma,nominal_karmaveglmmtmb_ailelerşablonları. - Yalnız model ortalaması isteniyorsa:
bayes_model_ortalamasi(Bölüm 215).
Temel programla ilişki. Temel programın LMM ve GLMM analizleri aynı model ailesini en çok olabilirlikle (REML) kestirir; sonuçları nokta kestirim ve güven aralığıdır. Hiyerarşik Bayesçi Regresyon deneysel Bayes kestirimidir ve MCMC kullanmaz (gui/panels/analyses/bayesian_hierarchical.py). Zincir tanıları (R-hat, bulk ve tail ESS, MCSE) ve zincir sayısı ile tohum seçeneği temel programda yalnız Bayesçi Aracılık Analizinde vardır (bayesian_mediation.py; Gibbs örnekleyici). Bu şablon Stan ile hazır aileleri ve LOO'yu getirir.
216.2 Şablonun girdileri
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Yanıt · y (satır 10–14) |
sayısal sütun · Değişkenler | ilk sayısal sütun | sayısal | Yanıt (125–148). |
Sabit etkiler · x (15–20) |
sütunlar · Değişkenler | boş | sütunlar | Metin/mantıksal sütun faktör olur (150–152). |
Gruplama değişkeni · grup (21–25) |
kategorik sütun · Değişkenler | — | en az 3 düzey | (… \| grup) (160). |
Rastgele eğimli yordayıcılar · egim (26–31) |
sütunlar · Değişkenler | boş | sabit etkilerin altkümesi | 1 + x (130–131, 160). |
Yanıt dağılımı · aile (32–38) |
seçim · Model | gaussian |
gaussian, student, poisson, negbinomial, bernoulli, cumulative |
brm(family=) (166–167). |
Sabit etki öncülü normal(0, s) için s · oncul_ss (39–46) |
ondalık · Model | 0 | 0–10⁶ | 0 ise brms varsayılanı (düz), >0 ise normal(0, s) sınıf b (168); ham yordayıcı ölçeğinde uygulandığı çıktıda notlanır (221–227). |
Zincir sayısı · zincir (47–54) |
tamsayı · Seçenekler | 4 | 1–8 | chains, cores (171–175). |
Zincir başına yineleme · yineleme (55–62) |
tamsayı · Seçenekler | 2000 | 200–100 000 | iter, ısınma yarısı (173–178). |
adapt_delta · adapt_delta (63–70) |
ondalık · Gelişmiş | 0,9 | 0,6–0,999 | control (177). |
Rastgele sayı tohumu (0 = çalıştırma tohumu) · tohum (71–78) |
tamsayı · Gelişmiş | 1 | 0–2 147 483 647 | seed = tohum_ (175); 0 (ya da boş) ise kod panelindeki çalıştırma tohumu (mq_tohum), o da yoksa 1 (169–170). Kullanılan tohum çıktının ilk satırına yazılır. |
Rastgele kesişim ve eğimler korelasyonlu · re_korelasyon (79–85) |
onay · Model | açık | — | kapalıysa \|\| (160). |
Güvenilir aralık düzeyi · guven (86–93) |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | summary(prob=) (182). |
Isınma yinelemesi · isinma (94–102) |
tamsayı · Gelişmiş | 0 (yarısı) | 0–100 000 | warmup (178). |
İnceltme aralığı · inceltme (103–111) |
tamsayı · Gelişmiş | 1 | 1–100 | thin (178). |
NUTS en büyük ağaç derinliği · maks_agac_derinligi (112–120) |
tamsayı · Gelişmiş | 10 | 5–20 | max_treedepth (177). |
Şablona özgü denetimler (hepsi Stan derlenmeden önce yapılır): paket eksikliği (126–127); yanıt = grup (128); rastgele eğimli değişken sabit etkilerde yoksa (131); eksiksiz satır < 20 (135); grup düzeyi < 3 (138); n\le grup sayısı (139); yanıt sayısal değil / sabit (141–142); sayım ailesinde negatif ya da tamsayı olmayan değer (143); Bernoulli'de 0/1 dışı (144); sıralıda 3–15 kategorili tamsayı dışı (146); sabit ya da tek düzeyli sabit etki (149–155); yineleme < 200 (156); ısınma ≥ yineleme (157); sabit etkiler doğrusal bağımlı (163). Model kurulamazsa "Model kurulamadı (Stan derlemesi için Rtools gerekir): …" (180).
Örnek ayar (satır 9): Reaction ~ Days + (1 + Days | Subject), Gauss, 2 zincir, 1000 yineleme.
216.3 Örnek veri
sleepstudy.csv: Belenky ve ark. (2003) uyku kısıtlaması çalışması (lme4 sleepstudy): 18 denek, her biri 10 gün (0–9), 180 satır, eksik değer yok. Reaction ortalama tepki süresi (ms).
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
Reaction |
yanıt | numeric | tepki süresi |
Days |
sabit etki ve rastgele eğim | numeric | 0–9 |
Subject |
grup | categorical | 18 düzey (S308, S309, …) |
Grup düzey sırası yalnız rastgele etki satırlarının sırasını etkiler, sonucu değil. Kategorik bir sabit etkide başvuru düzeyi, Veri sekmesinin düzey sırasına göre ilk düzeydir (Bölüm 1.3); kat (c, a, b sırası) örneğinde başvuru c, katsayılar kata ve katb olur. Şablon düzey sırasını ve başvuru düzeyini modele girmeden önce bir satırla yazar.
Bölümde kullanılan çalıştırmalar: örnek ayar (q11_brms_ornek); aynı ayar form tohumu 2 (t2) ve panel tohumu 2 (s2); 4 zincir × 2000 (flat); re_korelasyon kapalı, s=10, inceltme 2, %90 aralık (kombi); s=1 (n1); 1 zincir (z1); 200 yineleme (kisa); benzetim verisinde Student-t, Poisson, Bernoulli, sıralı ve kategorik sabit etki (student, poisson, ikili, sira, kat); sınır durumu dosyaları.
216.4 Yöntem: formüller ve hesap adımları
Şablon formülü kurar, brms::brm ile Stan modelini derler ve örnekler, sonsal özetleri, tanıları, LOO'yu ve sonsal öngörü grafiğini üretir.
216.4.1 Model ve öncüller
Rastgele etkiler çok değişkenli normal; \boldsymbol\tau için yarı Student-t, \boldsymbol\Omega için LKJ(1) öncülü kullanılır (Lewandowski ve ark., 2009). brms varsayılanları (örnek veride get_prior çıktısı):
| Sınıf | Öncül |
|---|---|
sabit etkiler (b) |
düz (oncul_ss = 0) ya da \mathrm N(0,s^2) |
| kesişim | t_3(288{,}7;\;59{,}3) (ortalanmış tasarımda) |
sd, sigma |
t_3(0;\;59{,}3), sıfırdan kesik (yarı-t) |
cor |
LKJ(1) |
- t_3(\mu;s): 3 serbestlik dereceli, konum \mu ve ölçek s'li Student-t.
- 288,7 ve 59,3: yanıtın medyanı ve
mad'ı; öncül ölçekleri veriden türetilir.
Ölçek bağımlılığı
Normal(0, s) öncülü ham yordayıcı ölçeğinde uygulanır. s=1 ile Days eğimi 10,49'dan 1,24'e iner (216.7). Öncüller yanıt ve yordayıcı ölçeğine bağlıdır; standartlaştırın ya da s'yi ölçekle birlikte seçin. Şablon s>0 iken bunu çıktıda not eder; ayrıca her çalıştırmada kullanılan öncülleri (prior_summary) listeler.
216.4.2 NUTS örnekleme ve tanılar
Hamiltonyen Monte Carlo (NUTS) ısınma süresince adım uzunluğunu ve kütle matrisini uydurur. adapt_delta hedef kabul oranıdır; ıraksak geçiş çıkarsa artırılır. Tanılar:
- \widehat R: zincirler arası ve içi varyans oranı (Vehtari ve ark., 2021: sıra normalleştirilmiş, bölünmüş); 1,01'in altı beklenir.
- W: zincir içi varyans; \widehat{\mathrm{var}}^{+}: birleşik varyans kestirimi.
- ESS (bulk, tail): özetin etkin bağımsız örnek sayısı; yaklaşık 400'ün üstü beklenir.
216.4.3 LOO
Gözlem dışlamalı çapraz geçerlik, Pareto-yumuşatılmış önem örneklemesiyle (PSIS) hesaplanır (Vehtari ve ark., 2017): \mathrm{elpd}_{\mathrm{loo}}=\sum_i\log p(y_i\mid y_{-i}), p_loo etkin parametre sayısı, \mathrm{LOOIC}=-2\,\mathrm{elpd}_{\mathrm{loo}}. Pareto k>0{,}7 olan gözlem güvenilmezdir.
Koddaki tercih
backend = "rstan", refresh = 0, silent = 2; cores = min(zincir, çekirdek − 1) (173–175). Kesişim öncülü oncul_ss'ten etkilenmez (yalnız sınıf b); kullanılan bütün öncüller çıktıda yazılır. elpd_loo için brms::loo(m) varsayılan (moment_match yok). Şablon her çalıştırmada Stan kodunu yeniden derler; ilk derleme 1–2 dakika sürer.
216.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 122–131 | C++17 bayrağı, paket denetimi, yanıt–grup ve eğim denetimi. | brms, rstan, loo yoksa dur. |
| 132–157 | Veriyi seçer, eksik satırı atar; grup faktör olur; aileye göre yanıt denetimi; sabit etki türü (metin sütununun düzey sırası notlanır) ve ısınma denetimi. | Stan derlemesinden önce. Sıralı ailede yanıt sıralı faktör olur. |
| 158–163 | Formül (`ad` ile), tasarım matrisi rank denetimi. |
Rastgele yapı: (1 + x1 + x2 \| grup) ya da \|\|. |
| 165–170 | Aile nesnesi, öncül, çalıştırma tohumu (tohum_). |
Öncül yalnız oncul_ss > 0 ve sabit etki varsa. |
| 171–180 | brm çağrısı; uyarılar toplanır. |
Hata iletisi sarmalanır. |
| 181–198 | Özet tabloları: sabit etkiler, grup düzeyi, dağılım parametreleri. | spec_pars sigma, nu, shape; sıralı ailedeki sabit disc satırı çıkarılır. |
| 199–220 | Iraksak geçiş, en büyük R-hat ve en küçük ESS (sigma, nu dahil), LOO, tanı tablosu, uyarılar. | Tanı tablosunun sonunda iki ESS satırı vardır. |
| 221–227 | ESS uyarısı, tek zincir notu, kullanılan öncüller, normal(0, s) ölçek notu, brms uyarıları. | |
| 228–241 | Sonsal öngörü yoğunluk grafiği (50 yineleme; sıralıda yok). |
216.6 Elle hesap: örnek veride bağımsız yeniden hesap
dogrulama/brms_cok_duzeyli/elle_hesap.py (numpy/scipy; Stan ve brms çağrılmaz) ve r_dogrulama.R (lme4 ve brms doğrudan) kullanıldı.
Adım 1 — REML. Python, REML ölçütünü kendisi yazıp en küçükler: sabit etkiler 251{,}4051 ve 10{,}4673 (SH 6{,}8246, 1{,}5458), \sigma_{u0}=24{,}740, \sigma_{u1}=5{,}922, \rho=0{,}0656, \sigma=25{,}592. lme4 ile 10^{-4} içinde aynıdır (sabit etkiler 10^{-15}). Bates ve ark. (2015) değerleriyle uyumludur.
Adım 2 — Bağımsız sonsal. Sabit ve rastgele etkiler çözümsel tümlenir; (\tau_0,\tau_1,\rho,\sigma) üzerinde 120 000 adımlık Metropolis (brms'in sd, sigma, LKJ öncülleri; kesişim öncülü düz). Sonsal ortalamalar: \tau_0 25{,}78 (şablon 26{,}21), \tau_1 6{,}31 (6{,}51), \rho 0{,}105 (0{,}111), \sigma 25{,}93 (25{,}95), eğim 10{,}467 (10{,}490). Farklar sonsal SS'nin 0{,}2'sinin altındadır; \tau_1 farkı Monte Carlo hatasından büyüktür (nedeni ayrıştırılmadı; kesişim öncülü bir aday). Sonsal ortalamalar REML'den büyük varyans bileşenleri verir (26{,}2 ↔ 24{,}7): bu öncülün ve belirsizliğin sonucudur.
Adım 3 — brms doğrudan. Aynı formül, aile, tohum 1, 2 zincir × 1000 yineleme ve adapt_delta = 0,9 ile brms doğrudan çağrıldığında şablonun bütün sonsal ortalamaları, SS'leri, elpd_loo (-860{,}037), p_loo (32{,}308) birebir aynıdır (0 fark).
216.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | Ölçüt | |
|---|---|---|---|---|---|---|
| REML sabit etki Intercept: Python ↔ lme4 | 251,40510485 | — | 251,40510485 | 6,8e−16 | 1e−6 | ✓ |
| REML SH Intercept: Python ↔ lme4 | 6,82455635 | — | 6,82459669 | 5,9e−6 | 1e−4 | ✓ |
| REML sabit etki Days: Python ↔ lme4 | 10,46728596 | — | 10,46728596 | 4,4e−15 | 1e−6 | ✓ |
| REML SH Days: Python ↔ lme4 | 1,54578886 | — | 1,54578964 | 5,0e−7 | 1e−4 | ✓ |
| REML sd_kesisim: Python ↔ lme4 | 24,74045059 | — | 24,74065799 | 8,4e−6 | 1e−4 | ✓ |
| REML sd_egim: Python ↔ lme4 | 5,92213296 | — | 5,92213766 | 7,9e−7 | 1e−4 | ✓ |
| REML rho: Python ↔ lme4 | 0,06555136 | — | 0,06555124 | 1,2e−7 | 1e−4 | ✓ |
| REML sigma: Python ↔ lme4 | 25,59181553 | — | 25,59179572 | 7,7e−7 | 1e−4 | ✓ |
| Sonsal ortalama Intercept: şablon ↔ brms doğrudan | 251,42305893 | — | 251,42305893 | 0 | 1e−6 | ✓ |
| Sonsal SS Intercept: şablon ↔ brms doğrudan | 7,27465422 | — | 7,27465422 | 0 | 1e−6 | ✓ |
| Sonsal ortalama Days: şablon ↔ brms doğrudan | 10,48950537 | — | 10,48950537 | 0 | 1e−6 | ✓ |
| Sonsal SS Days: şablon ↔ brms doğrudan | 1,74186195 | — | 1,74186195 | 0 | 1e−6 | ✓ |
| Sonsal ortalama sd(Intercept): şablon ↔ brms doğrudan | 26,20678648 | — | 26,20678648 | 0 | 1e−6 | ✓ |
| Sonsal ortalama sd(Days): şablon ↔ brms doğrudan | 6,50804889 | — | 6,50804889 | 0 | 1e−6 | ✓ |
| Sonsal ortalama cor(Intercept,Days): şablon ↔ brms doğrudan | 0,11062352 | — | 0,11062352 | 0 | 1e−6 | ✓ |
| Sonsal ortalama sigma: şablon ↔ brms doğrudan | 25,94784979 | — | 25,94784979 | 0 | 1e−6 | ✓ |
| elpd_loo: şablon ↔ brms doğrudan | −860,03735433 | — | −860,03735433 | 0 | 1e−6 | ✓ |
| p_loo: şablon ↔ brms doğrudan | 32,30827887 | — | 32,30827887 | 0 | 1e−6 | ✓ |
| Iraksak geçiş sayısı | 0 | — | 0 | 0 | 1e−6 | ✓ |
| Sonsal ortalama Intercept: şablon ↔ Python (ölçüt 0,1 sonsal SS) | 251,42305893 | 251,40510485 | — | 7,1e−5 | 3e−3 | ✓ |
| Sonsal ortalama Days: şablon ↔ Python (ölçüt 0,1 sonsal SS) | 10,48950537 | 10,46728596 | — | 2,1e−3 | 2e−2 | ✓ |
| Sonsal ortalama sd(Intercept): şablon ↔ Python (ölçüt 0,2 sonsal SS) | 26,20678648 | 25,78109867 | — | 1,6e−2 | 5e−2 | ✓ |
| Sonsal ortalama sd(Days): şablon ↔ Python (ölçüt 0,2 sonsal SS) | 6,50804889 | 6,30743555 | — | 3,1e−2 | 4e−2 | ✓ |
| Sonsal ortalama cor(Intercept,Days): şablon ↔ Python (ölçüt 0,2 sonsal SS) | 0,11062352 | 0,10455711 | — | 6,1e−3 | 6e−2 | ✓ |
| Sonsal ortalama sigma: şablon ↔ Python (ölçüt 0,2 sonsal SS) | 25,94784979 | 25,92905996 | — | 7,2e−4 | 1e−2 | ✓ |
| 4×2000: sonsal ortalama Intercept ↔ REML (ölçüt 0,2 sonsal SS) | 251,1928689 | 251,40510485 | — | 8,4e−4 | 6e−3 | ✓ |
| 4×2000: sonsal ortalama Days ↔ REML (ölçüt 0,2 sonsal SS) | 10,41627545 | 10,46728596 | — | 4,9e−3 | 3e−2 | ✓ |
Ölçütü karşılayan: 27/27. Bağımsız Python: REML ölçütünü numpy ile yazıp Nelder-Mead ile en küçükler; sonsal için sabit ve rastgele etkileri çözümsel tümleyen, (sd_kesisim, sd_egim, rho, sigma) üzerinde 120 000 adımlık rastgele yürüyüş Metropolis (öncüller brms varsayılanları: yarı student_t(3, 0, 59,3), LKJ(1); kesişim öncülü düz). Bağımsız R: lme4 REML ve brms'in şablon sarmalayıcısı olmadan, aynı formül, aile, tohum ve ayarla doğrudan çağrısı (Stan modeli Rtools ile derlendi). REML satırlarında ilk sütun bağımsız Python değeridir (şablon REML hesaplamaz); eniyileyici toleransı nedeniyle ölçüt 10⁻⁴'tür. Sonsal ortalamalar REML ile eşit değildir; varyans bileşenlerinde sonsal ortalama REML'den büyüktür. Şablon sonsalı ile bağımsız Python sonsalı varyans bileşenlerinde Monte Carlo hatasının ve kesişim öncülü farkının ötesinde küçük bir fark gösterir (sd_egim: 6,51 ↔ 6,31; 0,14 sonsal SS).
Ek denetimler: 4 zincir × 2000 yinelemede düz öncül sonsal ortalamaları REML'e 0{,}2 SS içinde yakındır (Days 10{,}416 ↔ 10{,}467); R-hat \le1{,}0032, ESS_kutle en az 1099'dur.
216.7 Çıktıyı okuma
Örnek ayar (q11_brms_ornek, tohum 1):
Formül: Reaction ~ Days + (1 + Days | Subject); aile: gaussian; 2 zincir × 1000 yineleme (yarısı ısınma); n = 180; grup = 18; tohum = 1
parametre ortalama sonsal_SS GA_alt GA_ust Rhat ESS_kutle ESS_kuyruk
Intercept 251.4231 7.2747 237.5023 265.8208 0.9985 742.5 862.7
Days 10.4895 1.7419 7.2030 13.9270 1.0053 694.2 530.5
parametre ortalama sonsal_SS GA_alt GA_ust Rhat ESS_kutle ESS_kuyruk
sd(Intercept) 26.2068 6.6754 15.8440 41.3934 1.0024 532.1 598.7
sd(Days) 6.5080 1.4528 4.2473 9.8093 1.0006 534.9 712.0
cor(Intercept,Days) 0.1106 0.2901 -0.4458 0.6540 1.0033 311.6 661.6
parametre ortalama sonsal_SS GA_alt GA_ust Rhat ESS_kutle ESS_kuyruk
sigma 25.9479 1.4986 23.2437 29.1098 1.0025 998.9 940.1
olcut deger
Iraksak geçiş 0
En büyük R-hat 1.00532
elpd_loo -860.037
elpd_loo SH 21.569
p_loo 32.308
LOOIC 1720.07
Pareto k > 0,7 olan gözlem 4
En küçük ESS (kütle) 311.62
En küçük ESS (kuyruk) 530.45
Uyarı: en küçük etkin örneklem büyüklüğü 311,6 < 400; sonsal özetler kararsız olabilir (yinelemeyi artırın).
Kullanılan öncüller: Intercept: student_t(3, 288.7, 59.3); L: lkj_corr_cholesky(1); sd: student_t(3, 0, 59.3); sigma: student_t(3, 0, 59.3). Boş bırakılan sabit etki öncülü düzdür.
Uyarılar: Found 4 observations with a pareto_k > 0.7 in model 'm'. ...
Şekil 216.1. Sonsal öngörü denetimi (örnek veri): 50 sonsal yineleme (mor) ve gözlenen yoğunluk (siyah).

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Sabit etkiler | Sonsal ortalama, SS, %95 güvenilir aralık. | Days: her gün tepki süresi ortalama 10{,}5 ms artar (7{,}2–13{,}9). |
sd(·), cor(·,·) |
Grup düzeyi SS'ler ve korelasyon. | Denekler arası kesişim SS'si 26{,}2, eğim SS'si 6{,}5; korelasyon belirsizdir (-0{,}45–0{,}65). |
sigma, nu, shape |
Dağılım parametreleri. | Student-t'de nu kuyruk kalınlığı. Sıralı ailede sabit disc = 1 satırı tabloya yazılmaz. |
Rhat, ESS_kutle, ESS_kuyruk |
Yakınsama. | \widehat R<1{,}01 ve ESS > 400. Burada cor için ESS_kutle 312 (düşük); tanı tablosundaki "En küçük ESS" satırları ve uyarı bunu işaret eder. |
| Iraksak geçiş | Sonlu adımlı sapma sayısı. | 0 olmalı; değilse adapt_delta artırın. |
| elpd_loo, p_loo, LOOIC | Dışlamalı çapraz geçerlik. | Modelleri karşılaştırmak için; Pareto k>0{,}7 (4 gözlem) güvenilirliği azaltır. |
Yakınsama durumunun okunması. 200 yinelemede (kisa) en büyük R-hat 1{,}617, ESS_kutle 3,5–5, sd(Intercept) 110 (yanlış); şablon R-hat ve ESS uyarılarını verir ve özet tablosu yine yazılır. 1 zincirde R-hat bölünmüş R-hat olduğundan zincirler arası tanı sayılmaz; şablon bunu not eder. Aile örnekleri (benzetim verisi, 12 grup × 20): Student-t (nu 24{,}8), Poisson (eğim 0{,}434; R-hat 1,011 uyarısı), Bernoulli (eğim 0{,}815), sıralı (x_1 0{,}611; eşikler -1{,}06; 0{,}63; 1{,}77). Ölçek ve öncül: oncul_ss = 1 Days'i 1{,}24'e çeker, sd(Days) 11{,}9 olur, R-hat 1,03–1,05. Tohum: form tohumu 2 Days'i 10{,}446 ve sd(Intercept)'i 26{,}95 yapar; form tohumu 1 (varsayılan) iken panel tohumu sonucu değiştirmez, form tohumu 0 verilirse kod panelindeki tohum kullanılır; kullanılan tohum çıktının ilk satırındadır (Bölüm 1.3).
Rapor cümlesi: "Tepki süresi, deneğe göre rastgele kesişim ve gün eğimli Bayesci doğrusal karma modelle çözümlenmiştir (brms 2.23.0; Stan NUTS; 2 zincir × 1000 yineleme, yarısı ısınma; brms varsayılan öncülleri). Gün başına artış 10{,}5 ms'dir (%95 güvenilir aralık 7{,}2–13{,}9; R-hat \le1{,}01; ıraksak geçiş yok). Denekler arası kesişim SS'si 26{,}2, eğim SS'si 6{,}5'tir."
216.8 Sık hatalar ve tuzaklar
- Az yinelemeyle sonuç yazmak. 200 yinelemede R-hat 1{,}6; şablon uyarı yazar ama özeti yine verir. En az 4 zincir ve ESS > 400 isteyin.
- Tek zincir. R-hat bölünmüş R-hat olur; şablon not yazar.
- Normal öncülün ölçeğini unutmak. Ham ölçekte uygulanır; çıktıdaki nota bakın.
- Başvuru düzeyini bilmemek. Kategorik sabit etkide başvuru, çıktıdaki düzey sırası satırında yazılan ilk düzeydir (metin sütununda alfabetik).
- Panel tohumuna güvenmek. Form tohumu 1 (varsayılan) iken panel tohumu etkisizdir; 0 verirseniz panel tohumu kullanılır. Kullanılan tohum çıktıda yazılır.
- Iraksak geçişleri görmezden gelmek.
adapt_deltaartırın, öncülleri gözden geçirin. - Az grup. 3–5 grupta \boldsymbol\tau öncülü sonsalı belirler; öncül duyarlığına bakın.
- Eksik satırlar atılır (satır 133); n değeri çıktının ilk satırındadır.
- Bellek. Makine belleği darsa paralel zincirler "invalid connection" ile kopabilir; ileti "Rtools gerekir" der. Yeniden deneyin.
216.9 Uzman soruları
S1. Sonsal ortalama neden REML'e eşit değildir?
Düz sabit etki öncülünde sabit etkiler yaklaşık eşittir (10{,}49 ↔ 10{,}47), ama varyans bileşenlerinin sonsal dağılımı sağa çarpık olduğundan sonsal ortalama REML'den büyüktür (26{,}2 ↔ 24{,}7); modları karşılaştırmak daha uygundur.
S2. LKJ(1) öncülü ne anlama gelir?
\boldsymbol\Omega üzerinde tekdüze öncüldür; 2×2'de \rho\in(-1{,}1) tekdüze. Daha büyük \eta korelasyonları 0'a çeker.
S3. Kesişim öncülü neden t_3(288{,}7;59{,}3) görünür?
brms yanıtın medyanı ve mad'ından türetilen zayıf bilgilendirici öncül kullanır; veriye bağlıdır ve çıktıda yazılmaz.
S4. \widehat R ve ESS ne zaman yeterlidir?
\widehat R<1{,}01 ve ESS_kutle, ESS_kuyruk > 400 (Vehtari ve ark., 2021). Şablon R-hat > 1,01 ve en küçük ESS < 400 için uyarı verir.
S5. Tohum sonucu ne kadar değiştirir?
Örnekte tohum 1 ↔ 2: Days 10{,}49 ↔ 10{,}45, sd(Intercept) 26{,}2 ↔ 26{,}9; farklar Monte Carlo düzeyindedir (ESS ~500).
S6. Neden 4 zincir?
Zincirler arası \widehat R yakınsamayı ancak birden çok zincirle ayırt eder; tek zincirde yalnız bölünmüş \widehat R vardır.
S7. LOO'daki Pareto k yüksekse ne yapılır?
k>0{,}7 olan gözlemler için moment_match ya da K-kat çapraz geçerlik gerekir; şablon yalnız sayıyı ve brms uyarısını yazar.
216.10 Kaynaklar
- Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
- Belenky, G., Wesensten, N. J., Thorne, D. R., Thomas, M. L., Sing, H. C., Redmond, D. P., Russo, M. B., & Balkin, T. J. (2003). Patterns of performance degradation and restoration during sleep restriction and subsequent recovery: A sleep dose-response study. Journal of Sleep Research, 12(1), 1–12. https://doi.org/10.1046/j.1365-2869.2003.00337.x
- Bürkner, P.-C. (2017). brms: An R package for Bayesian multilevel models using Stan. Journal of Statistical Software, 80(1), 1–28. https://doi.org/10.18637/jss.v080.i01
- Bürkner, P.-C. (2018). Advanced Bayesian multilevel modeling with the R package brms. The R Journal, 10(1), 395–411. https://doi.org/10.32614/RJ-2018-017
- Carpenter, B., Gelman, A., Hoffman, M. D., Lee, D., Goodrich, B., Betancourt, M., Brubaker, M., Guo, J., Li, P., & Riddell, A. (2017). Stan: A probabilistic programming language. Journal of Statistical Software, 76(1), 1–32. https://doi.org/10.18637/jss.v076.i01
- Gelman, A. (2006). Prior distributions for variance parameters in hierarchical models. Bayesian Analysis, 1(3), 515–534. https://doi.org/10.1214/06-BA117A
- Lewandowski, D., Kurowicka, D., & Joe, H. (2009). Generating random correlation matrices based on vines and extended onion method. Journal of Multivariate Analysis, 100(9), 1989–2001. https://doi.org/10.1016/j.jmva.2009.04.008
- Vehtari, A., Gelman, A., & Gabry, J. (2017). Practical Bayesian model evaluation using leave-one-out cross-validation and WAIC. Statistics and Computing, 27(5), 1413–1432. https://doi.org/10.1007/s11222-016-9696-4
- Vehtari, A., Gelman, A., Simpson, D., Carpenter, B., & Bürkner, P.-C. (2021). Rank-normalization, folding, and localization: An improved \widehat R for assessing convergence of MCMC. Bayesian Analysis, 16(2), 667–718. https://doi.org/10.1214/20-BA1221
- Yazılım kaydı: brms 2.23.0 (Bürkner, 2017), rstan 2.32.7, loo 2.10.1, R 4.5.3 (şablon çalıştırmasının yazılım kaydından).