MerQuR+Başvuru Kitabı

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?"

g\big(\mathrm E[y_{ij}]\big)=\mathbf x_{ij}^{\top}\boldsymbol\beta+u_{0j}+\mathbf z_{ij}^{\top}\mathbf u_j,\qquad (u_{0j},\mathbf u_j)\sim\mathrm N(\mathbf 0,\boldsymbol\Sigma),\quad \boldsymbol\Sigma=\mathrm{diag}(\boldsymbol\tau)\,\boldsymbol\Omega\,\mathrm{diag}(\boldsymbol\tau)
  • 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: egim seçilen yordayıcıların grup eğimleri (\mathbf z_{ij} onların değerleri).
  • \boldsymbol\tau: rastgele etki standart sapmaları; \boldsymbol\Omega: korelasyon matrisi (re_korelasyon kapalıysa 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_karma ve glmmtmb_aileler şablonları.
  • 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=\sqrt{\frac{\widehat{\mathrm{var}}^{+}(\psi)}{W}},\qquad \mathrm{MCSE}=\frac{\mathrm{SS}}{\sqrt{\mathrm{ESS}_{\text{bulk}}}}
  • \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_delta artırın, 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).