114. Bayesçi ANOVA
Analiz kimliği: bayesian_anova · Menü adı: Bayesçi ANOVA · Panel: gui/panels/analyses/bayesian_anova.py (execute, satır 282–432; _classic_effects, 602–688; _jzs_block, 453–476; _design_block, 479–576) · JZS motoru: gui/panels/analyses/_bayes_anova_jzs.py (_ModelBF, 49–140; jzs_anova, 143–211; jzs_design, 450–525; sonsal özetler, 528–653)
114.1 Ne işe yarar
Bayesçi ANOVA, bir ya da iki kategorik faktörün sürekli bir bağımlı değişkenin ortalamasını etkileyip etkilemediğini Bayes faktörleriyle değerlendirir. Cevapladığı soru şudur: "Faktörü (ya da etkileşimi) içeren model, onu içermeyen modele göre veriyi kaç kat daha iyi öngörüyor?"
MerQur aynı veride üç katman üretir:
- Klasik katman: tip II F, p, kısmi \eta^2 ve her etki için iç içe iki doğrusal modelin BIC farkından yaklaşık Bayes faktörü (Wagenmakers 2007).
- JZS katmanı: Rouder ve ark. (2012) varsayılan önselleriyle tüm model uzayının Bayes faktörleri, sonsal model olasılıkları, etki ve dahil etme (inclusion) Bayes faktörleri, Bayesçi ikili karşılaştırmalar. Bu katman R'daki BayesFactor
anovaBFve JASP "Bayesian ANOVA" ile aynı modeldir. - İsteğe bağlı ekler: sonsal özetler (tek model ve model ortalamalı), varsayım kontrolleri, hücre tanımlayıcıları ve önsel ölçeğine sağlamlık.
İki yönlü tasarımda model denklemi şudur:
- y_i: i. gözlemin bağımlı değişken değeri; \mu: genel ortalama (sabit).
- \alpha_{A(i)}, \beta_{B(i)}: gözlemin A ve B düzeylerinin toplamı sıfır olan sapmaları (ana etkiler).
- (\alpha\beta): etkileşim sapmaları; her satır ve sütun toplamı sıfırdır.
- \sigma^2: hata varyansı.
Ne zaman kullanılır? Faktörün etkisiz olduğu (H_0) yönünde de kanıt raporlanmak istendiğinde; birden çok model (ana etkiler, etkileşim) arasında belirsizlik olduğunda ve sonuç model ortalamasıyla özetlenecekse; etki büyüklükleri için inanılırlık aralığı istendiğinde.
Ne zaman kullanılmaz?
- Yalnız iki grup varsa: Bayesçi t Testi (JZS) (bölüm 112) aynı soruyu daha doğrudan cevaplar; tek yönlü Bayesçi ANOVA iki grupta da çalışır ama r ölçeği farklı tanımlıdır (114.5.2).
- Gruplar kümeli ya da hiyerarşikse (hasta–klinik): Hiyerarşik Bayesçi Regresyon (bölüm 116).
- Sürekli yordayıcılar ağırlıktaysa: Bayesçi Doğrusal Regresyon (bölüm 115). Tek kovaryatlı ANCOVA bu modülde yapılabilir (114.5.8).
- Varyanslar gruplar arasında çok farklıysa: model ortak \sigma^2 varsayar; frekansçı Welch ANOVA ve sağlam yöntemler birlikte raporlanmalıdır.
- Üç ya da daha çok faktör varsa: modül en çok iki faktör alır.
Sık karıştırılan analizler. "Etkiler" tablosundaki "BF₁₀ (BIC)" sütunu BIC yaklaşımıdır ve yalnız ek bilgidir. BIC yaklaşımı örtük olarak "birim bilgi" önseli kullanır ve önsel ölçeği ayarlanamaz; JZS BF'leri ise r ölçeğine bağlıdır. İki sayı aynı veri için farklı çıkar (Tıp örneğinde drug için 7,05·10⁸ ve 3,51·10⁸). Kanıt etiketi, JASP ve BayesFactor gibi JZS değerine dayanır.
114.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Normallik | Hatalar normal dağılır. | "Varsayım kontrolleri": tam hücre modelinin artıklarında Shapiro–Wilk (3 ≤ n ≤ 5000) ve Q-Q grafiği. |
| Varyans eşitliği | Tüm hücreler aynı \sigma^2'yi paylaşır. | Aynı kutu: Levene (ortalama merkezli) ve Brown–Forsythe (medyan merkezli); karar etkilemez. |
| Bağımsızlık | Gözlemler bağımsızdır (denek sütunu verilmedikçe). | Denetlenmez. Tekrarlı ölçümde denek sütunu seçilmelidir. |
| Önsel | Sabit etkiler için JZS önseli, ölçek r (varsayılan 0,5). | "Sağlamlık" kutusu r = 0,5, \sqrt2/2 ve 1 altında BF'leri yan yana verir. |
| Dengeli tasarım | Gerekli değil; boş hücre varsa etkileşim kısmen kestirilir. | Boş hücrede uyarı ve "—" (bayesian_anova.py:678–684). |
Eksik değer. Bağımlı değişken, faktörler, seçili kovaryatlar ve denek sütunundan herhangi biri eksik olan satır liste bazında çıkarılır (bayesian_anova.py:319–333). Bağımlı değişken sayıya çevrilir; metin değerler eksik sayılır.
Uç durumlar (bayesian_anova.py:294–363):
- Bağımlı değişken ya da birinci faktör seçilmemişse ya da veride yoksa hata.
- İki yönlü modda ikinci faktör yoksa ya da birinci faktörle aynıysa hata.
- Bağımlı değişkenin tüm değerleri metinse (sayıya çevrilemiyorsa) hata.
- Eksikler atıldıktan sonra N<6 ise hata.
- Bir faktör tek düzeyliyse ya da bağımlı değişken sabitse hata (F ve BF tanımsız).
- N<30 ise sonuç notlarına "küçük örneklem" uyarısı eklenir (
385–388). - Kovaryat ya da denek seçiliyse JZS model karşılaştırması genişletilmiş tasarımla yapılır ve Bayesçi post-hoc verilmez (
364–369).
114.3 Parametreler
Varsayılanlar bayesian_anova.py:121–246 içinden okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Mod | Tek yönlü (1 faktör) | Tek yönlü ya da iki yönlü (2 faktör + etkileşim). | İki yönlüde model uzayı beş modeldir. |
| Bağımlı (sayısal) DV | ilk sayısal sütun | Sınanan değişken. | |
| Faktör 1 (kategorik) | ilk kategorik sütun | Birinci faktör (A). Sayısal kodlu faktörler de listelenir. | |
| Faktör 2 (iki yönlü mod) | Yok | İkinci faktör (B); yalnız iki yönlü modda etkin. | |
| JZS önsel ölçeği r (sabit etkiler) | 0,500 | Sabit etkiler için r (BayesFactor rscaleFixed); kutu 0,05–2. |
JZS BF'leri, sonsallar ve kanıt etiketi; BIC BF değişmez. |
| İnanılırlık düzeyi | %95 | Sonsal özetlerin ve tanımlayıcıların aralık düzeyi. | Yalnız aralıklar. |
| Kovaryatlar (Bayesçi ANCOVA) | hiçbiri | İşaretlenen sürekli değişkenler her modele aday terim olarak girer. | Model uzayı tüm terim alt kümeleri olur (114.5.8). |
| Denek sütunu (tekrarlı ölçüm) | Yok | Denek rastgele etkisi her modelde yer alır. | BF'ler yalnız-denek modeline göredir; F hata katmanlarından. |
| Ek çıktılar | dördü de kapalı | Sonsal özetleri, varsayım kontrolleri, tanımlayıcılar (ortalama ± CrI), sağlamlık. | Ek bölümler; hesap süresi uzar. |
| Grafik | Varsayılan | Varsayılan grafik ya da 3B ortak sonsal yoğunluk. | Yalnız Grafik sekmesi. |
Neden r = 0,5 ve neden t testindeki 0,707 değil?
JZS t testinde r, standartlaştırılmış fark \delta=(\mu_1-\mu_2)/\sigma için Cauchy ölçeğidir. ANOVA'da ise r, her düzeyin genel ortalamadan sapmasının ölçeğidir. İki grupta düzey sapmaları \pm\delta/2 olduğundan ANOVA'nın r=0{,}5'i, t testinde aşağı yukarı r=\sqrt2/2'ye karşılık gelir (Rouder ve ark. 2012). BayesFactor'ün adlandırması da budur: ANOVA'da "medium" = 0,5, "wide" = \sqrt2/2, "ultrawide" = 1. MerQur'un sağlamlık kutusu bu üç değeri kullanır (bayesian_anova.py:562).
Koddaki tercih
Sonsal özetlerin ve tanımlayıcıların aralık düzeyi formdaki "İnanılırlık düzeyi" kutusundan gelir (varsayılan %95; cred). Kovaryat önsel ölçeği \sqrt2/4 (BayesFactor rscaleCont "medium"), denek etkisinin ölçeği 1'dir (rscaleRandom "nuisance"); bu iki değer arayüzden değiştirilemez (_bayes_anova_jzs.py:450–453).
114.4 Tıp örneği
Dosya: english/datasets/Tip/103_bayesian_anova_drug_sex.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/103_bayesian_anova_ilac_cinsiyet.xlsx).
| Değişken | Rol | Tür | Açıklama |
|---|---|---|---|
HbA1c |
Bağımlı (sayısal) DV | sürekli | Glikozile hemoglobin (%) |
drug |
Faktör 1 | metin, 3 düzey | A, B, C; her biri 40 hasta |
sex |
Faktör 2 | metin, 2 düzey | female, male; her biri 60 hasta |
n ve eksik değer: 120 hasta, eksik değer yok. Tasarım dengelidir: altı hücrenin her birinde 20 hasta.
Klinik soru: HbA1c ilaçlar arasında farklı mı, cinsiyete göre değişiyor mu ve ilaç etkisi cinsiyete göre farklılaşıyor mu? (VIDEO_SCRIPT_TR.txt, #103.)
Seçilen ayarlar: Mod "İki yönlü", r=0{,}5, dört ek çıktı açık. Ek çalıştırmalar: tek yönlü (yalnız drug), r=\sqrt2/2. Genişletilmiş tasarımlar için Tıp setinin iki başka dosyası kullanılmıştır: ANCOVA için 10_ancova_physical_treatment_VAS.xlsx (pain_post_VAS ~ treatment + kovaryat pain_baseline_VAS, N = 105) ve tekrarlı ölçüm için 115_mixed_anova_symptom_score.xlsx (symptom_score ~ treatment × visit, denek patient_id; 40 hasta × 3 vizit).
114.5 Formüller ve hesap adımları
MerQur'un sırası şudur: (1) veriyi hazırla, uç durumları denetle, hücre özetlerini yaz; (2) her etki için iç içe iki OLS modeliyle tip II F ve BIC Bayes faktörünü hesapla; (3) kovaryat ve denek yoksa JZS model uzayının tüm Bayes faktörlerini, sonsal model olasılıklarını, etki ve dahil etme BF'lerini ve post-hoc BF'leri hesapla; (4) kovaryat ya da denek varsa ya da sonsal özetleri istenmişse genel tasarım motorunu çalıştır; (5) varsayım, tanımlayıcı ve sağlamlık eklerini yaz. Hiçbir adımda MCMC yoktur.
114.5.1 Klasik katman: tip II F ve BIC Bayes faktörü
Her etki, kendisi dışındaki aynı düzey terimleri içeren modelle karşılaştırılır (tip II; R car::Anova(type = 2)): tek yönlüde 1\to A; iki yönlüde A için B\to A+B, B için A\to A+B, etkileşim için A+B\to A\times B (bayesian_anova.py:626–632).
- \text{RSS}_0, \text{RSS}_1: etkisiz ve etkili modelin artık kareler toplamı; k_0, k_1: tasarım matrislerinin rankı.
- \text{RSS}_{\text{tam}}, k_{\text{tam}}: tam modelin (iki yönlüde A\times B hücre modeli) artık kareler toplamı ve rankı; payda her etki için aynıdır.
- k+1: regresyon katsayıları ve \sigma^2; R
BIC(lm)ile aynı sayım. Sabit N\ln 2\pi+N terimi fark alınca düşer (bayesian_anova.py:622–624,673).
Neden BIC farkı bir Bayes faktörüdür?
Schwarz'ın yaklaşımında \ln p(\text{veri}\mid M)\approx \ln \hat L-\tfrac{k}{2}\ln N; bu, parametre önselinin bir gözlem kadar bilgi taşıdığı "birim bilgi önseli" altında Laplace yaklaşımıdır. İki modelin farkı \ln\text{BF}_{10}\approx(\text{BIC}_0-\text{BIC}_1)/2 verir (Wagenmakers 2007; Kass ve Raftery 1995). Önsel ölçeği gizlidir ve ayarlanamaz; küçük N'de yaklaşım kabadır. MerQur bu yüzden JZS katmanını ayrıca hesaplar.
114.5.2 JZS modeli ve önseller
Her faktörün düzey göstergeleri D_f (N\times a), toplamı sıfır olan a-1 boyutlu ortonormal bir tabana izdüşürülür (_contrast, _bayes_anova_jzs.py:29–46):
- Q_f: I-J/a matrisinin özdeğeri 1 olan özvektörleri (J: birlerden matris). Taban seçimi sonucu değiştirmez; önsel dönmeye göre değişmezdir.
- \theta_f: a-1 boyutlu etki parametresi; düzey sapmaları \alpha=Q_f\theta_f ile geri elde edilir.
- Etkileşim sütunları iki faktörün kontrast sütunlarının satır bazında Kronecker çarpımıdır ((a-1)(b-1) sütun).
Önseller (Rouder ve ark. 2012):
- g_f: her terimin kendi varyans çarpanı; ters gama karışımı \theta_f'nin marjinal önselini ölçeği r_f olan çok değişkenli Cauchy yapar.
- r_f: sabit etkiler için formdaki r (varsayılan 0,5); etkileşim aynı r'yi alır (
_bayes_anova_jzs.py:150).
Neden Cauchy (ve neden g-karışımı)?
Normal önsel ölçeği yanlış seçilirse Bayes faktörü ya H_0'a ya H_1'e sistematik olarak kayar (Lindley paradoksu). Kalın kuyruklu Cauchy önseli büyük etkileri dışlamaz, sıfır çevresinde de makul kütle bırakır; Jeffreys'in "varsayılan" testlerinin ölçütlerini (tutarlılık, bilgi tutarlılığı) sağlar (Liang ve ark. 2008). Normal–ters gama karışımı olarak yazmak, \theta ve \sigma^2 integrallerinin kapalı biçimde alınmasını sağlar; geriye yalnız g integralleri kalır.
114.5.3 g'ye koşullu Bayes faktörü ve tek yönlü kapalı biçim
\mu ve \sigma^2 integrallenince, boş modele karşı Bayes faktörü g'ye koşullu olarak kapalı biçimlidir (log_bf_g, _bayes_anova_jzs.py:62–74):
- \tilde X, \tilde y: sütun ortalamaları çıkarılmış tasarım ve yanıt (sabit integrallenince merkezleme ortaya çıkar).
- G=\text{diag}(g_f): her sütuna kendi teriminin g'si.
- İkinci çarpan, g ile büzülmüş "R^2"nin, R^2(g)'nin, fonksiyonudur: (1-R^2(g))^{-(N-1)/2}.
Dengeli tek yönlü tasarımda \tilde X'\tilde X=n_jI_{a-1} olur (n_j: grup büyüklüğü) ve formül sadeleşir:
- R^2: tek yönlü ANOVA'nın klasik R^2'si (gruplar arası KT / toplam KT).
- n_jg/(1+n_jg): büzülme çarpanı; g\to\infty'da sıfır büzülme (tam OLS), g\to0'da tam büzülme (boş model).
Bu biçim Rouder ve ark. (2012) tek yönlü formülüdür ve BayesFactor tek g'li modellerde bu tek boyutlu integrali sayısal alır; bu yüzden tek faktörlü modellerde R ile 10^{-8} düzeyinde eşleşme beklenir (114.6.1).
114.5.4 g integralinin sayısal hesabı
MerQur integrali u=\ln g dönüşümüyle alır; \pi(g)\,dg=\pi(e^u)e^u\,du (log_prior_lg, 66–70). Yöntem, g boyut sayısı k'ya göre seçilir (log_bf, 77–130; _nodes, 296–324):
- Laplace merkezleme: h(u)=\ln[\text{BF}(e^u)\pi(e^u)e^u] fonksiyonunun tepesi u^* üç başlangıçtan BFGS ile bulunur; merkezî farklarla Hessian H hesaplanır; ölçek L=\text{chol}(1{,}5^2H^{-1}).
- k=1: u^*\pm40\,L aralığında uyarlamalı Gauss–Kronrod (
scipy.quad, göreli tolerans 10^{-10}). - k=2{,}3: Laplace merkezli Gauss–Hermite çarpım kuralı, boyut başına 40 (k\le2) ya da 30 (k=3) düğüm:
- k\ge4 (genişletilmiş tasarımlarda): öneri dağılımı çok değişkenli t_4(u^*,LL') olan önem örneklemesi, 20000 örnek, sabit tohum (seed) 20240 (
_nodes,316–324).
- x_i, w_i: e^{-x^2/2} ağırlıklı Hermite düğümleri ve ağırlıkları (
hermegauss); e^{x'x/2} çarpanı standart normal yoğunluğa bölmeyi geri alır. - Tüm toplamlar log ölçeğinde (log-toplam-üs) alınır; çok büyük BF'lerde taşma olmaz.
Neden Laplace merkezli kuadratür, neden MCMC değil?
İntegralin boyutu terim sayısıdır (en çok üç ya da dört), parametre sayısı değil: \mu, \sigma^2 ve \theta analitik olarak atılmıştır. Düşük boyutta, tepeye ve eğriliğe göre yerleştirilmiş Gauss–Hermite düğümleri birkaç bin değerlendirmeyle 10^{-5} göreli doğruluk verir ve sonuç tohumdan bağımsızdır. BayesFactor aynı integrali Monte Carlo ile alır (114.6.1). 1{,}5 çarpanı, \ln g yoğunluğunun Gauss'tan daha kalın sağ kuyruğunu (büyük g'de \text{BF}(g)\pi(g)g\propto g^{-(p_f+1)/2}) kapsamak içindir.
Koddaki tercih
Gauss–Hermite kuralının doğruluğu sınırlıdır: bu veride iki g'li modelde göreli hata 1{,}8\times10^{-6}, üç g'li tam modelde 5{,}5\times10^{-5}'tir (bağımsız parçalı Gauss–Legendre integraliyle karşılaştırma, 114.6.1). Raporlanan üç anlamlı basamak için önemsizdir; 10^{-6} ölçütlü karşılaştırmada iki ve üç g'li büyüklükler bu yüzden 10^{-4} toleransla değerlendirilmiştir. Dört ve daha çok g'li modellerde integral önem örneklemesiyle alınır; çıktıdaki not bunu "Monte Carlo (önem örneklemesi), göreli hata ≈ %…" diye yazar (114.8 S5).
114.5.5 Model uzayı, sonsal model olasılıkları ve BF_M
İki yönlü tasarımda model uzayı beş modeldir: boş, A, B, A + B, A + B + A×B (etkileşim yalnız iki ana etkiyle birlikte; BayesFactor whichModels = "withmain"). Her modelin önsel olasılığı eşittir, P(M)=1/5 (jzs_anova, 149–172).
- \text{BF}_{i0}: i. modelin boş modele karşı JZS BF'si; boş model için 1.
- \text{BF}_M: modelin "geri kalan tüm modellere" karşı Bayes faktörü (JASP'taki BF_M). MerQur payı log ölçeğinde \ln\text{BF}_{i0}-\text{logsumexp}_{j\neq i}\ln\text{BF}_{j0} olarak hesaplar; P(M\mid\text{veri})\approx1 iken 1-P çıkarmasının sıfıra düşmesi önlenir (
_bf_m,332–341).
114.5.6 Etki ve dahil etme Bayes faktörleri
Her etki için üç Bayes faktörü verilir (jzs_anova, 175–200):
- \text{BF}_A ("BF₁₀ (JZS)" sütunu): etkiyi içeren toplamsal modelin, aynı modelin etkisiz hâline oranı. Tek yönlüde \text{BF}_{A,0}'dır.
- \text{BF}_{\text{incl}}: tüm modeller üzerinden; e'yi içeren modellerin sonsal oranı bölü önsel oranı (Hinne ve ark. 2020).
- Eşlenmiş dahil etme BF'si: yalnız e'nin tek fark olduğu model çiftleri; ana etki için etkileşimi içeren model dışarıda kalır. A için [P(A)+P(A+B)]/[P(\text{boş})+P(B)] sonsal ağırlıkları kullanılır (van den Bergh ve ark. 2020).
Neden üç farklı "etki BF'si"?
Bir etkinin kanıtı hangi modellerin karşılaştırıldığına bağlıdır. \text{BF}_A tek bir model çiftine bakar. Tüm modeller üzerinden dahil etme BF'si, "etkiyi içeren modeller grubu" ile "içermeyenler"i karşılaştırır ama ana etkinin, etkileşimli (ana etkiyi zorunlu içeren) modelden de puan almasına izin verir. Eşlenmiş biçim bu sızıntıyı keser. Etkileşim yalnız tam modelde yer aldığından etkileşimin eşlenmiş BF'si \text{BF}_{A\times B} ile aynıdır.
114.5.7 Sonsal özetler: tek model ve model ortalamalı
g sabitken, \mu için düz ve \sigma^2 için 1/\sigma^2 önselinde \theta'nın sonsalı çok değişkenli t'dir (_model_components, 519–548):
- \bar x: (merkezlenmemiş) etki sütunlarının ortalamaları; sabit terimi "tüm etkiler sıfırken" ortalamaya çevirir.
- Raporlanan düzey sapması \alpha_j=c_j'\theta, c_j = Q_f'nin j. satırı; ölçeği \sqrt{c_j'A_g^{-1}c_j\,s_g^2/(N-1)}.
g üzerinden integral, 114.5.4'teki düğümler ve normalleştirilmiş ağırlıklarla alınır; sonuç t_{N-1} dağılımlarının karışımıdır. Ortalama ve SS karışım momentlerinden, medyan ve merkezî inanılırlık aralığı karışım CDF'sinin ikiye bölme ile tersinden bulunur (_mix_summary, 551–586).
- Tek model özeti: en çok terimli model (iki yönlüde tam model).
- Model ortalamalı özet: sonsal olasılığı 10^{-8}'den büyük her modelin karışımı, P(M\mid\text{veri}) ağırlıklı; parametreyi içermeyen modeller 0'da nokta kütlesi katar (
_posterior_summaries,589–618). Bu yüzden model ortalamalı sonsalın CDF'si 0'da sıçrar ve medyan ya da aralık ucu tam 0 olabilir.
114.5.8 Genişletilmiş tasarımlar: ANCOVA ve tekrarlı ölçüm
Kovaryat ya da denek sütunu seçilince model uzayı tüm sabit terim alt kümeleri olur (etkileşim yine ana etkilerle birlikte) ve şu önseller kullanılır (_Design, 344–420; BayesFactor generalTestBF ile aynı yapı):
- Kovaryatlar: merkezlenip beyazlatılır, Z=X_c\,(X_c'X_c/N)^{-1/2}, ve tüm kovaryatlar tek bir g paylaşır, r=\sqrt2/4 (Zellner–Siow regresyon önseli; bölüm 115.5.6).
- Denek: toplamı sıfır kontrastla kodlanan rastgele etki, r=1; her modelde yer alır. Bildirilen BF'ler "yalnız denek" modeline göredir.
- Klasik F: kovaryatla tip II ANCOVA; denekte, tasarım dengeli ve tamsa her etki R
aov(... + Error(denek/(A*B)))ile aynı hata katmanına karşı sınanır, değilse birleşik artığa karşı (not yazılır) (_classic_effects,574–605;_rm_strata,630–644).
Denek etkisi 39 ya da daha çok sütun ekler ama integral boyutunu yalnız bir artırır. Tekrarlı ölçümde tam model dört g içerir; bu modelin BF'si önem örneklemesiyle hesaplanır ve tohum sabit olduğundan aynı veride her çalıştırmada aynı sayıyı verir (114.6.2).
114.5.9 Bayesçi post-hoc karşılaştırmalar
Üç ya da daha çok düzeyli her faktör için her düzey çiftine JZS iki örneklem t testi uygulanır (havuzlanmış t, Cauchy(0,\sqrt2/2); bölüm 112.5.2), r formdaki değerden bağımsız olarak \sqrt2/2'dir (posthoc_pairs, _bayes_anova_jzs.py:223–250). Çoklu karşılaştırma, önsel olasılıkla düzeltilir (Westfall, Johnson ve Utts 1997):
- J: düzey sayısı; J=3'te P(H_0)=0{,}629961, önsel oran 0,587401.
- \text{BF}_{10,U}: düzeltilmemiş ikili BF. Düzeltme BF'yi değil, H_1'in önsel olasılığını küçültür; tüm ikili sıfır hipotezlerinin birlikte doğru olma olasılığı 0,5'te tutulur.
114.5.10 Varsayım, tanımlayıcı ve sağlamlık ekleri
- Levene ve Brown–Forsythe: hücre grupları üzerinde
scipy.stats.levene(center = "mean"ve"median"), sd (c-1,\ N-c). - Shapiro–Wilk: hücre ortalamaları (+ kovaryatlar + denek göstergeleri) OLS modelinin artıklarında (
_design_block,483–498). - Tanımlayıcılar: hücre başına n, ortalama, SS ve p(\mu,\sigma^2)\propto1/\sigma^2 altında \mu'nün sonsal aralığı \bar x\pm t_{0{,}975;\,n-1}s/\sqrt n; sayısal olarak frekansçı t aralığıyla aynıdır.
- Sağlamlık: etki BF'leri (genişletilmiş tasarımda dahil etme BF'leri) r=0{,}5, \sqrt2/2, 1 için yeniden hesaplanır (
500–515).
114.5.11 Kanıt etiketi
Etiket ana Bayes faktörüne göre verilir (_assign_evidence, _evidence_label): JZS etki BF₁₀'ı; kovaryatlı ya da denekli (genişletilmiş) tasarımda JZS dahil etme BF'si (BF_incl); JZS hesaplanamazsa BIC BF₁₀. Kullanılan BF'nin türü etiketin yanında yazılır. Eşikler: \ge100 "Çok güçlü (kesin)", \ge30 "Çok güçlü", \ge10 "Güçlü", \ge3 "Orta", \ge1 "Zayıf"; 1'in altında aynı eşiklerin tersleri "H₀ lehine …" (Jeffreys 1961 ölçeğinin Lee ve Wagenmakers uyarlaması). İki yönlüde etkileşimin ana BF'si <1/3 ise "toplamsal model tercih edilebilir" notu eklenir.
Etiket neden BIC'e değil JZS'ye göre?
JZS Bayes faktörü (Rouder ve ark. 2012) yöntemin tanımıdır; BIC BF'si onun örtük birim bilgi önselli kaba yaklaşımıdır. İkisi aynı veride farklı sınıfa düşebilir: Tıp örneğinde etkileşimin BIC BF'si 0,011 ("H₀ lehine çok güçlü"), JZS BF'si 0,159 ("H₀ lehine orta"). Aynı çıktıda iki çelişen etiket olmasın diye etiket ana BF'ye (JZS) dayanır; BIC değeri yalnız ek bilgi sütunundadır.
114.5.12 Yakınsama tanıları: R̂ ve ESS
Bu modülde Markov zinciri yoktur; bu yüzden \hat R ve etkin örneklem büyüklüğü (ESS) çıktıda yer almaz. Uzman sorgusunda MCMC kullanan yazılımlarla (BayesFactor posterior(), JASP, Stan) karşılaştırma yapılacağı için tanımlar burada verilir; bölüm 115 ve 116 bunlara gönderme yapar. M zincirin her birinde n çekiliş varsa:
- W: zincir içi varyansların ortalaması; B: zincir ortalamalarının arasındaki varyans (n ile ölçeklenmiş).
- \hat R: zincirler aynı dağılımı örnekliyorsa 1'e yaklaşır (Gelman ve Rubin 1992). Güncel ölçüt, sıra normalleştirilmiş ve ikiye bölünmüş zincirlerle hesaplanan \hat R<1{,}01'dir (Vehtari ve ark. 2021).
- \hat\rho_t: t gecikmeli öz ilinti (zincirler birleştirilerek, ilk negatif çift toplamda kesilerek); ESS, ilintili Mn çekilişin kaç bağımsız çekilişe denk olduğudur.
- MCSE: sonsal ortalamanın Monte Carlo standart hatası; karşılaştırmalarda "fark / MCSE" ölçüt olarak kullanılır.
Tıp örneğinde BayesFactor'ün Gibbs örnekleyicisiyle elde edilen \hat R, ESS ve MCSE değerleri 114.6.1'deki son tabloda, MerQur'un kuadratürle bulduğu kesin sonsal ortalamalarla birlikte verilmiştir.
114.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/bayesian_anova/elle_hesap.py, elle_ara.py ve elle_capraz.py ile, MerQur kodu çağrılmadan hesaplanmıştır. Bağımsız hesap kontrast tabanı olarak normalleştirilmiş Helmert matrisini (MerQur: özvektörler) ve g integrali için her boyutta dört parçalı, parça başına 36 düğümlü Gauss–Legendre çarpım kuralını (MerQur: Laplace merkezli Gauss–Hermite) kullanır. Düğüm sayısı 60'a çıkarıldığında log BF 10^{-11}'den az değişir.
Adım 1 — Hücre ve faktör özetleri.
| A | B | C | |
|---|---|---|---|
| female (n=20) | 6,0000 | 6,7295 | 7,3280 |
| male (n=20) | 6,2855 | 7,0330 | 7,8420 |
| drug ortalaması (n=40) | 6,1428 | 6,8813 | 7,5850 |
Genel ortalama \bar y=6{,}869667, toplam kareler toplamı \text{TKT}=125{,}536187; cinsiyet ortalamaları female 6,6858, male 7,0535.
Adım 2 — Klasik katman. Beş OLS modelinin artık kareler toplamı ve BIC'i:
| Model | RSS | k | BIC |
|---|---|---|---|
| boş | 125,536187 | 1 | 14,987261 |
| B (sex) | 121,480823 | 2 | 15,834236 |
| A (drug) | 83,926435 | 3 | −23,756165 |
| A + B | 79,871072 | 4 | −24,911903 |
| A × B | 79,548250 | 6 | −15,822916 |
drug için: F=\dfrac{(121{,}480823-79{,}871072)/2}{79{,}548250/114}=29{,}815311, p=3{,}84\times10^{-11}, \eta^2_p=0{,}343434 ve
sex için F(1,\,114)=5{,}811711, \text{BF}^{\text{BIC}}=1{,}782236; etkileşim için F(2,\,114)=0{,}231317, \text{BF}^{\text{BIC}}=0{,}010626.
Adım 3 — Tek yönlü JZS integrali (yalnız drug). Dengeli tasarımda \tilde X'\tilde X=40\,I_2 ve R^2=1-83{,}926435/125{,}536187=0{,}331456. 114.5.3'teki kapalı biçimle bazı g değerlerinde:
| g | 0,1 | 1 | 10 |
|---|---|---|---|
| \ln\text{BF}_{10}(g) | 16,723064 | 19,529124 | 17,890398 |
h(u)=\ln[\text{BF}(e^u)\pi(e^u)e^u]'nun tepesi u^*=-0{,}618771 (g^*=0{,}538606); burada R^2(g^*)=\frac{40g^*}{1+40g^*}R^2=0{,}316754 ve h(u^*)=18{,}013287. İntegral (Gauss–Legendre ve ayrıca scipy.quad, iki yöntem 10^{-14} içinde aynı):
Şekil 114.1. Tek yönlü modelde (drug) log g üzerindeki integrand (mor) ve tepe çevresindeki Laplace yaklaşımı (turuncu, kesikli). Sağ kuyruğun Gauss'tan kalın olması, MerQur'un Laplace ölçeğini 1,5 ile genişletmesinin nedenidir.
Adım 4 — İki yönlü model uzayı. Beş modelin log BF'si (boş modele karşı) ve sonsal olasılıkları:
| Model | \ln\text{BF}_{M0} | P(M\mid\text{veri}) |
|---|---|---|
| boş | 0 | 1,63·10⁻⁹ |
| sex | 0,126113 | 1,85·10⁻⁹ |
| drug | 18,832555 | 0,246228 |
| drug + sex | 19,803593 | 0,650210 |
| drug + sex + drug × sex | 17,966467 | 0,103562 |
drug + sex için \text{BF}_M=\dfrac{0{,}650210/0{,}349790}{0{,}2/0{,}8}=7{,}435440.
Şekil 114.2. İki yönlü model uzayında sonsal model olasılıkları; kesikli çizgi eşit önsel olasılıktır (0,2).
Adım 5 — Etki ve dahil etme BF'leri.
| Etki | BF₁₀ (JZS) | BF_incl | BF_incl (eşlenmiş) | P(\text{incl}\mid\text{veri}) |
|---|---|---|---|---|
| drug | e^{19{,}803593-0{,}126113}=3{,}5142\times10^8 | 1,9150·10⁸ | 2,5750·10⁸ | 1,000000 |
| sex | e^{19{,}803593-18{,}832555}=2{,}640685 | 2,040852 | 2,640685 | 0,753772 |
| drug × sex | e^{17{,}966467-19{,}803593}=0{,}159274 | 0,462104 | 0,159274 | 0,103562 |
sex'in dahil etme BF'si: içeren modeller (sex, drug + sex, tam) sonsal toplamı 0,753772; önsel toplamı 0,6. \text{BF}_{\text{incl}}=\dfrac{0{,}753772/0{,}246228}{0{,}6/0{,}4}=2{,}040852.
Adım 6 — Sonsal özetler (tam model ve model ortalaması).
| Parametre | Tam model ortalama (SS) | Tam model %95 CrI | Model ortalamalı ortalama | Model ortalamalı %95 CrI |
|---|---|---|---|---|
| Sabit | 6,869667 (0,076334) | [6,719788; 7,019546] | 6,869667 | [6,718737; 7,020597] |
| drug = A | −0,694924 (0,108715) | [−0,907889; −0,481019] | −0,694545 | [−0,908996; −0,479132] |
| sex = female | −0,168423 (0,074314) | [−0,315456; −0,023754] | −0,126947 | [−0,306098; 0] |
| A & female | 0,029594 (0,091843) | [−0,149766; 0,213056] | 0,003065 | [−0,033837; 0,092343] |
Model ortalamalı sex sapmasının üst ucu tam 0'dır: sex'i içermeyen modellerin sonsal kütlesi (0,246) 0'da toplanır ve %97,5 kantili bu sıçramaya düşer. Etkileşim sapmasının model ortalamalı medyanı da 0'dır. Bu, BayesFactor ve JASP'ın model ortalamalı özetiyle aynı tanımdır.
Adım 7 — Bayesçi post-hoc. J=3, P(H_0)=0{,}5^{2/3}=0{,}629961, önsel oran 0,587401.
| Çift | Fark | t (havuzlanmış) | BF₁₀,U | Sonsal oran |
|---|---|---|---|---|
| A − B | −0,7385 | −4,111726 | 229,546806 | 134,836035 |
| A − C | −1,4423 | −7,805484 | 2,9666·10⁸ | 1,7426·10⁸ |
| B − C | −0,7038 | −3,467234 | 34,517082 | 20,275370 |
Adım 8 — Sağlamlık. r=\sqrt2/2: drug 4,1297·10⁸, sex 2,169365, etkileşim 0,095960; r=1: 4,1977·10⁸; 1,692181; 0,054182. Önsel genişledikçe sex ve etkileşimin BF'si düşer: geniş önsel küçük etkileri daha az olası sayar. drug'ın kararı ("kesin") değişmez; sex'in kanıtı her ölçekte "zayıf"tır (1–3).
Adım 9 — Varsayımlar ve tanımlayıcılar. Levene F(5,\,114)=1{,}723823, p=0{,}1347; Brown–Forsythe F=1{,}498805, p=0{,}1957; artıklarda Shapiro–Wilk W=0{,}992747, p=0{,}7898. A × female ortalamasının %95 aralığı [5,606780; 6,393220], C × male [7,457242; 8,226758].
114.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan alınmıştır; bu modül sonuç nesnesinde yuvarlama yapmaz. R: 4.5.3; BayesFactor 0.9.12-4.8 (lmBF, anovaBF, ttestBF, posterior), car (Anova(type = 2), leveneTest), coda (gelman.diag, effectiveSize). Tek g'li modellerde BayesFactor sayısal integral kullanır ve R değeri ölçüte girer. Çok g'li modellerde BayesFactor Monte Carlo kullanır; bu satırlarda R değeri yalnız bilgi olarak gösterilir (‡) ve ayrıca ikinci tabloda Monte Carlo hatasıyla denetlenir. ᵍ işaretli satırlarda MerQur'un Gauss–Hermite kuralı nedeniyle ölçüt 10^{-4}'tür (114.5.4).
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| drug: F | 29,815311 | 29,815311 | 29,815311 | 5,7e−14 | ✓ |
| drug: p | 3,8448·10−11 | 3,8448·10−11 | 3,8448·10−11 | 1,3e−24 | ✓ |
| drug: \eta^2_p | 0,343434 | 0,343434 | 0,343434 | 1,1e−16 | ✓ |
| drug: BF₁₀ (BIC) | 7,0455·108 | 7,0455·108 | 7,0455·108 | 3,2e−14 (göreli) | ✓ |
| sex: F | 5,811711 | 5,811711 | 5,811711 | 1,8e−14 | ✓ |
| sex: p | 0,017518 | 0,017518 | 0,017518 | 3,3e−16 | ✓ |
| sex: \eta^2_p | 0,048507 | 0,048507 | 0,048507 | 1,2e−16 | ✓ |
| sex: BF₁₀ (BIC) | 1,782236 | 1,782236 | 1,782236 | 5,1e−14 (göreli) | ✓ |
| drug * sex: F | 0,231317 | 0,231317 | 0,231317 | 2,0e−14 | ✓ |
| drug * sex: p | 0,793860 | 0,793860 | 0,793860 | 1,5e−14 | ✓ |
| drug * sex: \eta^2_p | 0,004042 | 0,004042 | 0,004042 | 3,6e−16 | ✓ |
| drug * sex: BF₁₀ (BIC) | 0,010626 | 0,010626 | 0,010626 | 6,2e−14 (göreli) | ✓ |
| log BF₁₀ (JZS): drug | 18,832555 | 18,832555 | 18,832555 | 6,2e−08 | ✓ |
| log BF₁₀ (JZS): sex | 0,126113 | 0,126113 | 0,126113 | 5,6e−11 | ✓ |
| log BF₁₀ (JZS): drug + sexᵍ | 19,803595 | 19,803593 | 19,804101 ‡ | 1,8e−06 | ✓ |
| log BF₁₀ (JZS): drug + sex + drug * sexᵍ | 17,966522 | 17,966467 | 17,965167 ‡ | 5,5e−05 | ✓ |
| P(M\mid D): drug + sexᵍ | 0,650207 | 0,650210 | — | 3,3e−06 | ✓ |
| P(M\mid D): drug + sex + drug * sexᵍ | 0,103567 | 0,103562 | — | 5,0e−06 | ✓ |
| P(M\mid D): drugᵍ | 0,246226 | 0,246228 | — | 1,7e−06 | ✓ |
| BF_M: drug + sexᵍ | 7,435332 | 7,435440 | — | 1,5e−05 (göreli) | ✓ |
| drug: BF₁₀ (JZS)ᵍ | 3,5142·108 | 3,5142·108 | — | 1,8e−06 (göreli) | ✓ |
| drug: BF_inclᵍ | 1,9150·108 | 1,9150·108 | — | 6,9e−06 (göreli) | ✓ |
| drug: BF_incl (eşlenmiş)ᵍ | 2,5750·108 | 2,5750·108 | — | 1,3e−06 (göreli) | ✓ |
| sex: BF₁₀ (JZS)ᵍ | 2,640690 | 2,640685 | — | 1,8e−06 (göreli) | ✓ |
| sex: BF_inclᵍ | 2,040871 | 2,040852 | — | 9,1e−06 (göreli) | ✓ |
| sex: BF_incl (eşlenmiş)ᵍ | 2,640690 | 2,640685 | — | 1,8e−06 (göreli) | ✓ |
| drug * sex: BF₁₀ (JZS)ᵍ | 0,159283 | 0,159274 | — | 5,3e−05 (göreli) | ✓ |
| drug * sex: BF_inclᵍ | 0,462129 | 0,462104 | — | 5,4e−05 (göreli) | ✓ |
| drug * sex: BF_incl (eşlenmiş)ᵍ | 0,159283 | 0,159274 | — | 5,3e−05 (göreli) | ✓ |
| sex: P(\text{incl}\mid D)ᵍ | 0,753774 | 0,753772 | — | 1,7e−06 | ✓ |
| Post-hoc A−B: BF₁₀,U | 229,546806 | 229,546806 | 229,546806 | 2,5e−12 (göreli) | ✓ |
| Post-hoc A−C: BF₁₀,U | 2,9666·108 | 2,9666·108 | 2,9666·108 | 2,4e−12 (göreli) | ✓ |
| Post-hoc B−C: BF₁₀,U | 34,517082 | 34,517082 | 34,517082 | 3,5e−12 (göreli) | ✓ |
| Post-hoc A−B: sonsal oran | 134,836035 | 134,836035 | — | 1,2e−12 (göreli) | ✓ |
| Sağlamlık r=\sqrt2/2: drug BF₁₀ᵍ | 4,1297·108 | 4,1297·108 | — | 7,9e−06 (göreli) | ✓ |
| Sağlamlık r=\sqrt2/2: sex BF₁₀ᵍ | 2,169382 | 2,169365 | — | 7,9e−06 (göreli) | ✓ |
| Sağlamlık r=\sqrt2/2: drug * sex BF₁₀ᵍ | 0,095965 | 0,095960 | — | 5,1e−05 (göreli) | ✓ |
| Sağlamlık r=1: drug BF₁₀ᵍ | 4,1977·108 | 4,1977·108 | — | 1,1e−05 (göreli) | ✓ |
| Sağlamlık r=1: sex BF₁₀ᵍ | 1,692200 | 1,692181 | — | 1,1e−05 (göreli) | ✓ |
| Sağlamlık r=1: drug * sex BF₁₀ᵍ | 0,054185 | 0,054182 | — | 5,9e−05 (göreli) | ✓ |
| Tek model (Intercept): ortalamaᵍ | 6,869667 | 6,869667 | — | 8,9e−16 | ✓ |
| Tek model (Intercept): SSᵍ | 0,076334 | 0,076334 | — | 1,1e−07 | ✓ |
| Tek model drug = A: ortalamaᵍ | −0,694922 | −0,694924 | — | 1,2e−06 | ✓ |
| Tek model drug = A: SSᵍ | 0,108714 | 0,108715 | — | 3,1e−07 | ✓ |
| Tek model sex = female: ortalamaᵍ | −0,168415 | −0,168423 | — | 7,2e−06 | ✓ |
| Tek model sex = female: SSᵍ | 0,074314 | 0,074314 | — | 6,7e−07 | ✓ |
| Tek model drug = A & sex = female: ortalamaᵍ | 0,029593 | 0,029594 | — | 7,3e−07 | ✓ |
| Tek model drug = A & sex = female: SSᵍ | 0,091842 | 0,091843 | — | 9,2e−07 | ✓ |
| Tek model drug = A: medyanᵍ | −0,695090 | −0,695092 | — | 2,0e−06 | ✓ |
| Tek model drug = A: %95 CrI altᵍ | −0,907889 | −0,907889 | — | 3,1e−07 | ✓ |
| Tek model drug = A: %95 CrI üstᵍ | −0,481019 | −0,481019 | — | 3,7e−07 | ✓ |
| Model ortalamalı drug = A: ortalamaᵍ | −0,694545 | −0,694545 | — | 6,9e−08 | ✓ |
| Model ortalamalı drug = A: medyanᵍ | −0,694718 | −0,694718 | — | 8,1e−08 | ✓ |
| Model ortalamalı drug = A: %95 CrI altᵍ | −0,908996 | −0,908996 | — | 1,1e−07 | ✓ |
| Model ortalamalı sex = female: ortalamaᵍ | −0,126947 | −0,126947 | — | 1,3e−07 | ✓ |
| Model ortalamalı sex = female: medyanᵍ | −0,136864 | −0,136864 | — | 5,7e−07 | ✓ |
| Model ortalamalı sex = female: %95 CrI altᵍ | −0,306098 | −0,306098 | — | 5,4e−07 | ✓ |
| Model ortalamalı drug = A & sex = female: ortalamaᵍ | 0,003065 | 0,003065 | — | 7,2e−08 | ✓ |
| Model ortalamalı drug = A & sex = female: medyanᵍ | −3,2909·10−13 | 0,000000 | — | 3,3e−13 | ✓ |
| Model ortalamalı drug = A & sex = female: %95 CrI altᵍ | −0,033840 | −0,033837 | — | 3,4e−06 | ✓ |
| Levene F (ortalama) | 1,723823 | 1,723823 | 1,723823 | 5,1e−15 | ✓ |
| Levene p | 0,134705 | 0,134705 | 0,134705 | 2,9e−15 | ✓ |
| Brown–Forsythe F | 1,498805 | 1,498805 | 1,498805 | 1,6e−15 | ✓ |
| Shapiro–Wilk W (artık) | 0,992747 | 0,992747 | 0,992747 | 7,7e−12 | ✓ |
| Shapiro–Wilk p | 0,789817 | 0,789817 | 0,789817 | 6,9e−10 | ✓ |
| A × female: ortalama CrI alt | 5,606780 | 5,606780 | 5,606780 | 9,8e−15 | ✓ |
| C × male: ortalama CrI üst | 8,226758 | 8,226758 | 8,226758 | 7,1e−15 | ✓ |
R'ın Monte Carlo tahmininin denetimi. BayesFactor'ün çok g'li integral için varsayılan önem örneklemesi bu veride aşağı yanlıdır: varsayılan anovaBF çağrısı drug + sex için \ln\text{BF}=19{,}757 verir (kesin değer 19,804; BF'de %4,5 düşük) ve bildirdiği hata (%0,95) farkı kapsamaz. Aynı model 1, 2 ve 3 tohumuyla method = "simple" ve 4\times10^6 yinelemeyle çalıştırıldığında 19,8030; 19,8036; 19,8033 elde edilir (r_mc_denetim.R). Aşağıdaki tablo simple yöntemle elde edilen R değerlerinin kesin değerden bildirilen hatanın en çok 2,2 katı uzaklaştığını gösterir; bu, Monte Carlo için kabul edilen 3 kat ölçütünün içindedir.
| Model | log BF₁₀ (Python, kesin) | log BF₁₀ (R simple, 4·10⁶) |
R'ın bildirdiği hata | \lvertfark\rvert / hata | log BF₁₀ (R varsayılan anovaBF) |
|---|---|---|---|---|---|
| drug + sex | 19,803593 | 19,804101 | 0,000508 | 1,00 | 19,757377 |
| drug + sex + drug:sex | 17,966467 | 17,965167 | 0,000887 | 1,47 | 17,924051 |
| ANCOVA: treatment + pain_baseline_VAS | 70,736078 | 70,738444 | 0,001097 | 2,16 | — |
MCMC ile sonsal: tekrarlanabilirlik, R̂ ve ESS. BayesFactor posterior() tam modelden Gibbs örneklemesi yapar. Dört zincir (tohumlar 1001–1004) × 20000 çekiliş alınmıştır. Birinci zincir aynı tohumla yeniden çalıştırıldığında 20000 satırlık çekiliş matrisi bit düzeyinde özdeştir; tohum değişince çekilişler değişir ama özetler Monte Carlo hatası içinde kalır. Tüm parametrelerde \hat R\le1{,}0001 ve ESS ≥ 69000'dir. MerQur'un kuadratürle bulduğu kesin ortalamadan farklar MCSE'nin en çok 1,4 katıdır.
| Parametre | Kesin sonsal ort. (Python) | MCMC ort. (R) | MCSE | \lvertfark\rvert/MCSE | Kesin SS | MCMC SS | \hat R | ESS |
|---|---|---|---|---|---|---|---|---|
| (Intercept) | 6,869667 | 6,870035 | 0,000269 | 1,37 | 0,0763 | 0,0766 | 1,00009 | 80788 |
| drug = A | −0,694924 | −0,694696 | 0,000410 | 0,55 | 0,1087 | 0,1083 | 1,00000 | 69750 |
| drug = B | 0,011074 | 0,011195 | 0,000374 | 0,32 | 0,1055 | 0,1051 | 0,99999 | 78886 |
| drug = C | 0,683850 | 0,683501 | 0,000408 | 0,86 | 0,1086 | 0,1080 | 1,00000 | 70096 |
| sex = female | −0,168423 | −0,168641 | 0,000270 | 0,81 | 0,0743 | 0,0742 | 1,00005 | 75435 |
| sex = male | 0,168423 | 0,168641 | 0,000270 | 0,81 | 0,0743 | 0,0742 | 1,00005 | 75435 |
| drug = A & sex = female | 0,029594 | 0,029472 | 0,000325 | 0,38 | 0,0918 | 0,0921 | 1,00002 | 80492 |
114.6.2 Çapraz denetim: tek yönlü, ANCOVA ve tekrarlı ölçüm
Tıp #10 ANCOVA'da (treatment + pain_baseline_VAS) iki g'li modelin MerQur log BF'si bağımsız değerden 6\times10^{-6} ayrılır. Tıp #115 karma tasarımında tam model (A, B, A×B ve denek: dört g) önem örneklemesiyle hesaplanır: MerQur (20000 örnek, tohum 20240) 72,665486; bağımsız önem örneklemesi (200000 örnek, t_5 önerisi, tohum 777; kendi göreli MC hatası %0,37) 72,676524; R BayesFactor (iki tohum) 72,6505 ve 72,6641. Dört değer Monte Carlo hatası içinde uyumludur (en büyük fark 0,026 log birimi, BF'de %2,6). MerQur aynı veride iki kez çalıştırıldığında tam modelin log BF'si aynı çıkar (fark 0): tohum sabittir. Tabloda ᵐ işaretli satırın ölçütü bu yüzden 0,05 log birimidir (iki bağımsız önem örneklemesinin hatalarının toplamının yaklaşık iki katı).
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Tek yönlü: F | 29,003621 | 29,003621 | 29,003621 | 1,2e−13 | ✓ |
| Tek yönlü: BF₁₀ (BIC) | 2,5884·108 | 2,5884·108 | 2,5884·108 | 8,7e−14 (göreli) | ✓ |
| Tek yönlü: log BF₁₀ (JZS) | 18,832555 | 18,832555 | 18,832555 | 6,2e−08 | ✓ |
| Tek yönlü: log BF₁₀ (scipy.quad, üçüncü yöntem) | 18,832555 | 18,832555 | — | 3,6e−14 | ✓ |
| ANCOVA log BF: treatment | 28,612061 | 28,612061 | 28,612061 | 7,0e−12 | ✓ |
| ANCOVA log BF: pain_baseline_VAS | 14,384213 | 14,384213 | 14,384213 | 2,4e−10 | ✓ |
| ANCOVA log BF: treatment + pain_baseline_VASᵍ | 70,736085 | 70,736078 | 70,738444 ‡ | 6,2e−06 | ✓ |
| Karma log BF (denek modeline göre): treatmentᵍ | 7,405903 | 7,405901 | 7,405346 ‡ | 1,6e−06 | ✓ |
| Karma log BF (denek modeline göre): visitᵍ | 58,117637 | 58,117635 | 58,111844 ‡ | 2,5e−06 | ✓ |
| Karma log BF (denek modeline göre): treatment + visitᵍ | 67,171021 | 67,171024 | 67,158922 ‡ | 2,3e−06 | ✓ |
| Karma log BF (denek modeline göre): treatment + visit + treatment * visitᵐ | 72,665486 | 72,676524 | 72,650505 ‡ | 1,1e−02 | ✓ |
| Karma: aynı tohumla ikinci çalıştırma (tam model log BF) | 72,665486 | 72,665486 | — | 0,0e+00 | ✓ |
| Karma F: treatment (denek katmanı) | 32,130708 | — | 32,130708 | 7,8e−14 | ✓ |
| Karma F: visit | 204,093590 | — | 204,093590 | 4,3e−13 | ✓ |
| Karma F: etkileşim | 10,838604 | — | 10,838604 | 5,5e−14 | ✓ |
Sonuç: ana tablodaki 67 ve çapraz tablodaki 15 büyüklüğün tamamı ölçütü karşılar; R'ın Monte Carlo ve MCMC tahminleri de kendi hata payları içinde MerQur'la uyumludur.
114.7 Çıktıyı okuma
Varsayılan ayarlarla ve dört ek çıktı açıkken sonuç metni (kısaltılmış):
Bayesçi ANOVA (İki Yönlü)
Bağımlı değişken : HbA1c
Faktör(ler) : drug × sex
Gözlem sayısı : N = 120
Etkiler (her efekt için Bayes Faktörü):
Etki F df p η²p BF₁₀ (BIC)
drug 29.815 2,114 <0.0001 0.343 7.05e+08
sex 5.812 1,114 0.0175 0.049 1.782
drug * sex 0.231 2,114 0.7939 0.004 0.011
Kanıt yorumları (Jeffreys 1961 skalası):
• drug BF₁₀ (JZS) = 3.51e+08 → Çok güçlü (kesin) kanıt
• sex BF₁₀ (JZS) = 2.641 → Zayıf kanıt
• drug * sex BF₁₀ (JZS) = 0.159 → H₀ lehine orta kanıt
─── Model karşılaştırması (JZS, r = 0.5) ───
Model P(M) P(M|D) BF_M BF₁₀
drug + sex 0.200 0.6502 7.435 3.99e+08
drug 0.200 0.2462 1.307 1.51e+08
drug + sex + drug * sex 0.200 0.1036 0.462 6.35e+07
sex 0.200 1.85e-09 7.40e-09 1.134
Boş model (yalnız sabit) 0.200 1.631e-09 6.52e-09 1.000
─── Etki analizi (JZS, Bayesçi model ortalaması) ───
Etki BF₁₀ (JZS) P(incl|D) BF_incl BF_incl (eşl.)
drug 3.51e+08 1.0000 1.92e+08 2.58e+08
sex 2.641 0.7538 2.041 2.641
drug * sex 0.159 0.1036 0.462 0.159
─── Bayesçi post-hoc: drug ───
A − B -0.7385 229.5 0.5874 134.8
─── Model ortalamalı sonsal özeti ───
sex = female -0.1269 0.0971 -0.1369 [-0.3061, -0.0000]
─── Sağlamlık: BF₁₀ (JZS) — önsel ölçeği ───
Etki medium (r=0.500) wide (r=0.707) ultrawide (r=1.000)
drug 3.51e+08 4.13e+08 4.20e+08
APA 7 örnek raporlama:
Bayesçi ANOVA uygulandı (...; N = 120). drug: F(2, 114) = 29.82, p < .001, ...
| Satır/Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| "Etkiler" tablosu, BF₁₀ (BIC) | BIC yaklaşımlı BF (ek bilgi) | Önselsiz kaba ölçü; JZS değeriyle karıştırılmamalı. |
| Kanıt yorumları | Ana BF'ye (JZS) göre etiket ve BF'nin türü | 114.5.11. |
| Model karşılaştırması | P(M), P(M\mid D), BF_M, boş modele karşı BF₁₀ | En olası model drug + sex (0,65); tam model 0,10. |
| Etki analizi | BF₁₀ (JZS), dahil etme BF'leri | sex için kanıt zayıf (≈ 2–2,6); etkileşime karşı orta kanıt (0,159 → BF₀₁ ≈ 6,3). |
| Post-hoc | Fark, BF₁₀,U, önsel ve sonsal oran | Sonsal oran > 1 farkı destekler; A − B 134,8. |
| Sonsal özetler | Toplamı sıfır sapmalar | Model ortalamalıda aralık ucu "−0.0000" 0'daki nokta kütlesidir. |
| Sağlamlık | Üç r altında BF | Karar ölçekle değişiyorsa önsele duyarlı. |
| BF gösterimi | ≥ 10⁶ ya da < 10⁻³ bilimsel, ≥ 100 bir ondalık, diğerleri üç ondalık | Küçük BF'ler de anlamlı basamaklarıyla görünür. |
| Model notu | Hesap yöntemi | Üç g'e kadar "deterministik sayısal integral"; dört ve daha çok g'li modelde (tekrarlı ölçümde tam model) "Monte Carlo (önem örneklemesi), göreli hata ≈ %…". Sabit tohumla tekrarlanır ama Monte Carlo hatası taşır. |
| APA satırı | Hazır cümle | p APA biçimindedir ("p<.001"). |
Uyarı iletileri: N<30'da küçük örneklem notu (bayesian_anova.py:420–423); iki yönlüde etkileşimin ana BF'si <1/3 ise toplamsal model notu (389–395); boş hücre uyarısı (617–623); denekli tasarım dengeli ve tam değilse birleşik artık notu (578–579).
APA biçiminde rapor cümlesi:
HbA1c düzeyleri ilaç (A, B, C) ve cinsiyet faktörleriyle Bayesçi iki yönlü ANOVA ile incelendi (JZS önseli, sabit etkiler için r = 0{,}5; eşit model önselleri). En olası model iki ana etkiyi içeren toplamsal modeldi, P(M\mid\text{veri}) = 0{,}65. Veri ilaç etkisini kesin biçimde destekledi, \text{BF}_{\text{incl}} = 1{,}9\times10^{8}; cinsiyet etkisi için kanıt zayıftı, \text{BF}_{\text{incl}} = 2{,}04; etkileşime karşı orta düzeyde kanıt vardı, \text{BF}_{\text{incl}} = 0{,}46 (eşlenmiş \text{BF}_{01} = 6{,}3). A ilacının sapması tam modelde -0{,}69 (%95 inanılırlık aralığı [−0,91; −0,48]) puandı; A ile C ilacı arasındaki farkı destekleyen düzeltilmiş sonsal oran 1{,}7\times10^{8}, A ile B arasında 134,8 idi. Sonuçlar önsel ölçeğine duyarlı değildi (r = 1'de ilaç için \text{BF}_{10} = 4{,}2\times10^{8}). Klasik analiz aynı tabloyu verdi: ilaç F(2,\,114) = 29{,}82, p < 0{,}001, \eta^2_p = 0{,}34.
114.8 Uzman soruları
S1. BF'ler BayesFactor anovaBF ile aynı mı?
Model, kontrast kodlaması ve önseller aynıdır. Tek g'li modellerde fark 10^{-8} düzeyindedir. İki ve üç g'li modellerde MerQur deterministik kuadratür, BayesFactor Monte Carlo kullanır; fark R'ın Monte Carlo hatası kadardır. Bu veride BayesFactor'ün varsayılan önem örneklemesi aşağı yanlıydı (drug + sex için %4,5 düşük); method = "simple" ve çok yinelemeyle R, MerQur'un değerine yakınsadı (114.6.1).
S2. "Etkiler" tablosundaki "BF₁₀ (BIC)" neden JZS'den farklı?
O sütun Wagenmakers'ın (2007) BIC yaklaşımıdır ve yalnız ek bilgidir: örtük birim bilgi önseli, ayarlanamaz ölçek. JZS ise Cauchy önselli tam integraldir. BIC yaklaşımı büyük etkilerde JZS'den daha büyük (drug: 7,05·10⁸ ve 3,51·10⁸), sıfıra yakın etkilerde daha küçük (etkileşim: 0,011 ve 0,159) BF verir; çünkü birim bilgi önseli, r=0{,}5'lik Cauchy'den daha dardır. Kanıt etiketi JZS değerine dayanır; raporda da JZS değeri kullanılır ve türü yazılır.
S3. Model ortalamalı aralığın ucu neden tam 0?
Parametreyi içermeyen modeller sonsalda o parametreye 0'da bir nokta kütlesi katar. sex için bu kütle 0,246'dır; %97,5 kantili sürekli kısmın değil, sıçramanın içine düşer. Bu, model ortalamasının doğru tanımıdır (Hinne ve ark. 2020); "etki kesin sıfır" demek değildir, "modellerin bir kısmı etkiyi dışlıyor" demektir.
S4. Neden MCMC kullanılmıyor; R̂ ve ESS nerede?
\mu, \sigma^2 ve \theta analitik olarak integrallendiğinde geriye yalnız terim sayısı kadar g kalır (iki yönlüde en çok üç). Bu düşük boyutlu integral Laplace merkezli kuadratürle 10^{-5} doğrulukla alınır; zincir olmadığı için \hat R ve ESS tanımsızdır. Aynı sonsal BayesFactor'ün Gibbs örnekleyicisiyle de bulunur (\hat R\approx1{,}0000, ESS ≈ 70000–80000); kesin değerden farklar MCSE içindedir (114.6.1).
S5. Tekrarlı ölçümde sonuç neden tohuma bağlı?
Denekli iki yönlü tasarımda tam model dört g içerir; MerQur bunu t_4 önerili önem örneklemesiyle (20000 örnek) hesaplar. Tohum 20240'a sabitlendiğinden her çalıştırma aynı sayıyı verir; ancak sayı, Monte Carlo hatası içeren bir tahmindir (bu veride ≈ %1). Çıktıdaki model notu bu modellerde göreli Monte Carlo hatasını yazar; kanıt sınıfını değiştirecek kadar yakın değerlerde bu hata göz önünde tutulmalıdır.
S6. Varsayılan r neden 0,5? JASP ile aynı mı?
BayesFactor'ün rscaleFixed = "medium" değeri 0,5'tir ve JASP Bayesian ANOVA'nın varsayılanı da budur. Bu ölçek düzey sapmaları içindir; iki grupta t testindeki \sqrt2/2'ye denk düşer (114.3). Post-hoc karşılaştırmalar ise formdaki r'den bağımsız olarak t testi ölçeğiyle (\sqrt2/2) yapılır.
S7. Tek düzeyli faktör, sabit bağımlı değişken ya da boş hücre olursa?
Tek düzeyli faktör ve sabit bağımlı değişken hata verir (bayesian_anova.py:352–363). İki yönlüde boş hücre varsa etkileşimin serbestlik derecesi azalır; sıfıra inerse F, p, \eta^2_p ve BIC BF "—" gösterilir ve uyarı yazılır (613–623). JZS katmanı, etkileşim kontrast sütunları boş hücrelerde sıfır olduğu için yine hesaplanır; bu durumda etkileşim BF'si yorumlanmamalıdır.
S8. Çoklu karşılaştırma düzeltmesi nasıl yapılıyor?
BF değiştirilmez; düzeltme önsel olasılıktadır. Westfall, Johnson ve Utts (1997) yaklaşımında tüm ikili sıfır hipotezlerinin birlikte doğru olma olasılığı 0,5'te tutulur: J düzeyde her çift için P(H_0)=0{,}5^{2/J}. Sonsal oran = önsel oran × BF₁₀,U. JASP "Bayesian ANOVA post hoc" aynı tanımı kullanır.
S9. ANCOVA'da kovaryatın önseli nedir?
Kovaryatlar merkezlenip (X_c'X_c/N)^{-1/2} ile beyazlatılır ve tümü tek bir g paylaşır, ölçek \sqrt2/4 (Zellner–Siow; BayesFactor rscaleCont = "medium"). Faktör kendi g'sini (r=0{,}5) alır. Bu tanımla Tıp #10'da tek g'li modeller R ile 10^{-10}, iki g'li model 6\times10^{-6} içinde eşleşti.
114.9 Sık hatalar ve tuzaklar
- BIC BF'yi JZS BF diye raporlamak. "Etkiler" tablosundaki "BF₁₀ (BIC)" sütunu ek bilgidir; JZS değerleri ve etiketin dayandığı BF ayrı bölümlerdedir.
- Ana etkinin dahil etme BF'sini etkileşimli modelden "şişirilmiş" okumak. Ana etkiler için eşlenmiş BF daha temizdir.
- Model ortalamalı aralıktaki 0'ı "etki yok" sanmak. 0, etkiyi dışlayan modellerin ağırlığıdır.
- Tekrarlı ölçümde denek sütununu seçmemek. Seçilmezse gözlemler bağımsız sayılır, BF'ler ve F yanlış olur.
- r'yi t testi alışkanlığıyla 0,707 yapmak. ANOVA'da 0,707 "wide"dır; varsayılan "medium" 0,5'tir.
- Önseli ve model önsellerini raporlamamak. r, eşit model önselleri ve sağlamlık sonucu yazılmalıdır.
114.10 Kaynaklar
- Gelman, A., & Rubin, D. B. (1992). Inference from iterative simulation using multiple sequences. Statistical Science, 7(4), 457–472. https://doi.org/10.1214/ss/1177011136
- Hinne, M., Gronau, Q. F., van den Bergh, D., & Wagenmakers, E.-J. (2020). A conceptual introduction to Bayesian model averaging. Advances in Methods and Practices in Psychological Science, 3(2), 200–215. https://doi.org/10.1177/2515245919898657
- Jeffreys, H. (1961). Theory of probability (3. baskı). Oxford University Press.
- Kass, R. E., & Raftery, A. E. (1995). Bayes factors. Journal of the American Statistical Association, 90(430), 773–795. https://doi.org/10.1080/01621459.1995.10476572
- Lee, M. D., & Wagenmakers, E.-J. (2013). Bayesian cognitive modeling: A practical course. Cambridge University Press.
- Liang, F., Paulo, R., Molina, G., Clyde, M. A., & Berger, J. O. (2008). Mixtures of g priors for Bayesian variable selection. Journal of the American Statistical Association, 103(481), 410–423. https://doi.org/10.1198/016214507000001337
- Rouder, J. N., Morey, R. D., Speckman, P. L., & Province, J. M. (2012). Default Bayes factors for ANOVA designs. Journal of Mathematical Psychology, 56(5), 356–374. https://doi.org/10.1016/j.jmp.2012.08.001
- Rouder, J. N., Morey, R. D., Verhagen, J., Swagman, A. R., & Wagenmakers, E.-J. (2017). Bayesian analysis of factorial designs. Psychological Methods, 22(2), 304–321. https://doi.org/10.1037/met0000057
- van den Bergh, D., van Doorn, J., Marsman, M., Draws, T., van Kesteren, E.-J., Derks, K., Dablander, F., Gronau, Q. F., Kucharský, Š., Gupta, A. R. K. N., Sarafoglou, A., Voelkel, J. G., Stefan, A., Ly, A., Hinne, M., Matzke, D., & Wagenmakers, E.-J. (2020). A tutorial on conducting and interpreting a Bayesian ANOVA in JASP. L'Année psychologique, 120(1), 73–96. https://doi.org/10.3917/anpsy1.201.0073
- Vehtari, A., Gelman, A., Simpson, D., Carpenter, B., & Bürkner, P.-C. (2021). Rank-normalization, folding, and localization: An improved R̂ for assessing convergence of MCMC. Bayesian Analysis, 16(2), 667–718. https://doi.org/10.1214/20-BA1221
- Wagenmakers, E.-J. (2007). A practical solution to the pervasive problems of p values. Psychonomic Bulletin & Review, 14(5), 779–804. https://doi.org/10.3758/BF03194105
- Westfall, P. H., Johnson, W. O., & Utts, J. M. (1997). A Bayesian perspective on the Bonferroni adjustment. Biometrika, 84(2), 419–427. https://doi.org/10.1093/biomet/84.2.419