116. Hiyerarşik Bayesçi Regresyon
Analiz kimliği: bayesian_hierarchical · Menü adı: Hiyerarşik Bayesçi Regresyon · Panel ve motor: gui/panels/analyses/bayesian_hierarchical.py (execute, satır 390–543; _fit_extended, 546–644; _icc_ci_boot, 674–708; profile_ci, 293–364; _profile_extended, 711–764) · Karma model motoru: stats/mixed_reml.py, LMMEngine (101–792)
116.1 Ne işe yarar
Hiyerarşik Bayesçi regresyon, gruplara (klinik, okul, hekim) yuvalanmış gözlemlerde sürekli bir bağımlı değişkeni sabit etkilerle ve gruba özgü rastgele kesişimlerle modeller. Cevapladığı sorular şunlardır: "Yordayıcıların etkisi nedir?", "Gruplar arasındaki fark toplam değişkenliğin ne kadarını oluşturur?" ve "Her grubun kendi etkisi, grup ortalamalarının ortak dağılımına doğru büzülünce ne olur?"
- y_{ij}: j. gruptaki i. gözlem; x_{ij}: sabit etki yordayıcıları (sabit dahil).
- u_j: j. grubun rastgele kesişimi; grupların ortak dağılımından gelir. Bu ortak dağılım, u_j'ler için bir önsel gibi davranır.
- \sigma_u^2, \sigma_\varepsilon^2: gruplar arası ve grup içi varyans.
Yöntem görgül Bayestir (empirical Bayes). Varyans bileşenleri ve sabit etkiler REML ile kestirilir; grup etkileri bu kestirimler yerine konarak koşullu sonsal ortalamalar (BLUP) olarak bulunur. Varyans parametreleri için önsel yoktur, MCMC yoktur; sabit etki aralıkları Wald (z) güven aralığıdır, grup aralıkları koşullu aralıktır, ICC aralığı parametrik bootstrap'tır. Çıktının ilk satırı bunu açıkça yazar. Tam Bayes sonsalıyla fark 116.6.3'te sayısal olarak gösterilmiştir.
Çıktı beş parçadır: (1) sabit etkiler (β, SH, z, p, Wald GA), (2) varyans bileşenleri ve ICC (bootstrap aralığıyla; isteğe bağlı profil olabilirlik aralıkları), (3) rastgele eğim ya da iç içe alt grup seçildiyse genişletilmiş rastgele etki yapısı, (4) rastgele etkili modelin sıradan regresyona (OLS) karşı BIC Bayes faktörü, (5) grup kesişimlerinin BLUP'ları ve koşullu aralıkları.
Ne zaman kullanılır? Gözlemler gruplara yuvalanmışsa ve grup içi benzerlik (ICC) göz ardı edilirse standart hatalar küçülecekse; grup etkileri tek tek kestirilecek ama az gözlemli grupların aşırı uç değerleri yumuşatılmak isteniyorsa (büzülme).
Ne zaman kullanılmaz?
- Varyans bileşenleri için inanılırlık aralığı, önsel bilgisi ya da sonsal örneklem gerekiyorsa: modül tam Bayes değildir; MCMC kullanan bir yazılım gerekir.
- Bağımlı değişken ikili ya da sayımsa: GLMM (bölüm 58).
- Sabit etkiler için küçük örneklem düzeltmeli testler (Satterthwaite, Kenward–Roger) isteniyorsa: Doğrusal Karma Model (bölüm 54).
- Gruplama yoksa: Bayesçi Doğrusal Regresyon (bölüm 115).
Sık karıştırılan analizler. Ada karşın bu modül, brms/rstanarm stan_lmer gibi tam Bayesçi hiyerarşik model kestirmez. Sayısal sonuçları lme4 lmer(REML = TRUE) ile aynıdır; "Bayesçi" olan kısım, grup etkilerinin ortak dağılım altında koşullu sonsal ortalamalarla (görgül Bayes) kestirilmesi ve OLS'ye karşı BIC Bayes faktörüdür.
116.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Normal rastgele etkiler | u_j\sim N(0,\sigma_u^2). | Denetlenmez; grafik BLUP'ları sıralı gösterir. |
| Normal, eşit varyanslı hata | \varepsilon_{ij}\sim N(0,\sigma_\varepsilon^2), gruplar arasında aynı. | Denetlenmez. |
| Bağımsızlık | Gruplar birbirinden, grup içindeki hatalar birbirinden bağımsız. | Denetlenmez. |
| Yeterli grup sayısı | \sigma_u^2 grup sayısı K kadar bilgiyle kestirilir. | K<3 hata; K<5 notu (bayesian_hierarchical.py:488–519). |
| Grup başına birden çok gözlem | Aksi hâlde \sigma_u^2 ile \sigma_\varepsilon^2 ayrışmaz. | Her grupta tek gözlemse ve düzey sayısı N/2'yi aşarsa uyarı (499–503, 208–233). |
Eksik değer. Bağımlı değişken, grup, yordayıcılar ve (seçiliyse) iç içe alt grup sütunlarından biri eksik olan satır liste bazında çıkarılır (bayesian_hierarchical.py:438–462).
Kategorik yordayıcılar. Sayısal olmayan ya da Veri sekmesinde "kategorik" işaretlenmiş yordayıcılar işlem (treatment) kodlamasıyla kuklaya açılır; düzeyler ortak düzey sırası kuralıyla dizilir (kullanıcı sırası → sayısal/doğal sıra → verideki ilk görülme sırası), ilk düzey referanstır ve kullanılan sıra çıktıda yazılır. Rastgele eğim yalnız sayısal yordayıcılara verilebilir.
Uç durumlar:
- Bağımlı değişken ya da grup seçilmemişse, sütunlar yoksa hata.
- Eksikler atıldıktan sonra N<15 ise hata (
MIN_N,463–465). - K<3 grup varsa hata; 3\le K<5'te "REML varyans kestirimi hassas" notu.
- Düzey sayısı N/2'yi aşan ya da tamsayı olmayan sayısal grup sütunları hesaptan önce bir onay penceresiyle sorulur; sonuç değişmez (
236–280). - ICC < 0,05 ise (basit modelde) "OLS yeterli olabilir" notu (
508–511).
116.3 Parametreler
Varsayılanlar bayesian_hierarchical.py:126–196 içinden okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Bağımlı (sayısal) DV | ilk sayısal sütun | y. | |
| Sabit etkiler (X) | — | Sabit etki yordayıcıları (en az bir). | |
| Grup değişkeni | ilk kategorik sütun | Rastgele kesişimin grubu. | |
| Rastgele eğimler (isteğe bağlı) | hiçbiri | Seçilen sayısal yordayıcılara gruba özgü eğim; ilişkili (yapısız) kovaryans. | Genişletilmiş model; ICC kesişim varyansıyla. |
| İç içe alt grup (isteğe bağlı) | Yok | Grup içinde alt grup kesişimi, (1 | grup/altgrup). | ICC paydasına alt grup varyansı girer. |
| Güven Düzeyi | %95 | Wald, BLUP, profil ve bootstrap aralıklarının düzeyi. | Tüm aralıklar. |
| Varyans bileşenleri için profil GA | kapalı | \sigma_u ve \sigma_\varepsilon için ML profil olabilirlik aralığı. | Ek satır. |
| ICC aralığı bootstrap örneği (B) | 1000 | Parametrik bootstrap örnek sayısı (100–20000); tohum 20261012. | ICC aralığı ve süre. |
Koddaki tercih
Bootstrap tohumu (seed) arayüzde yoktur ve 20261012'ye sabittir (ICC_BOOT_SEED, bayesian_hierarchical.py:289–290); execute()'a icc_boot_seed verilerek değiştirilebilir. B varsayılanı lme4 bootMer'in yaygın kullanımıyla aynıdır (1000).
116.4 Tıp örneği
Dosya: english/datasets/Tip/104_hierarchical_bayesian_clinical_random.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/104_hiyerarsik_bayesian_klinik_random.xlsx).
| Değişken | Rol | Tür | Açıklama/özet |
|---|---|---|---|
HbA1c |
Bağımlı (sayısal) DV | sürekli | HbA1c (%) |
age |
Sabit etki | tamsayı | Yaş (yıl) |
clinical |
Grup değişkeni | metin, 5 düzey | K_Ankara, K_Antalya, K_Bursa, K_Istanbul, K_Izmir; her biri 40 hasta |
BMI |
kullanılmaz |
n ve eksik değer: 200 hasta, 5 klinik, eksik değer yok. Klinik ortalamaları (yaş / HbA1c): Ankara 45,15 / 8,926; Antalya 48,35 / 8,951; Bursa 52,45 / 10,580; İstanbul 49,375 / 9,718; İzmir 49,775 / 8,820.
Klinik soru: Yaş HbA1c ile ilişkili mi ve klinikler arasında ne kadar fark var? (VIDEO_SCRIPT_TR.txt, #104.)
Seçilen ayarlar: varsayılanlar (%95, B = 1000) ve profil aralığı açık. Ek çalıştırmalar: aynı ayarla ikinci çalıştırma; bootstrap tohumu 7; %90; rastgele eğim (age).
116.5 Formüller ve hesap adımları
MerQur'un sırası şudur: (1) veriyi hazırla, uç durumları denetle; (2) modeli lme4'ün profillenmiş REML yöntemiyle kestir; (3) sabit etkiler için Wald istatistiklerini, varyans bileşenlerini ve ICC'yi yaz; (4) ICC için parametrik bootstrap aralığını hesapla; (5) modeli ML ile yeniden kestirip OLS ile BIC karşılaştırması yap; (6) BLUP'ları ve koşullu varyanslarını hesapla; (7) istenirse profil aralıklarını ekle.
116.5.1 Model ve lme4 parametrizasyonu
- Z: n\times q grup göstergeleri (rastgele eğimde gösterge × yordayıcı sütunları); rastgele kesişimde q=K.
- \Lambda_\theta: göreli kovaryans çarpanı; rastgele kesişimde \Lambda_\theta=\theta I_K ve \theta=\sigma_u/\sigma_\varepsilon. Rastgele eğimde her grup için aynı alt üçgen blok (Cholesky çarpanı).
- \sigma^2=\sigma_\varepsilon^2; \text{Var}(b)=\sigma^2\Lambda_\theta\Lambda_\theta'.
116.5.2 Profillenmiş REML sapması
Her \theta için cezalı en küçük kareler (PLS) çözülür (_pls_core, stats/mixed_reml.py:193–213):
- R_X: sabit etkilerin PLS sonrası Cholesky çarpanı; R_X'R_X=X'V^{-1}X\cdot\sigma^2.
- \hat\theta: d_{\text{REML}}'yi en küçükleyen değer; L-BFGS-B ve Powell (üç başlangıç), Nelder–Mead ve Newton parlatmasıyla bulunur (
fit,240–288). - ML sapması \ln|L_\theta|^2+n[1+\ln(2\pi r^2/n)]'dir; BF için kullanılır.
Neden REML?
ML, \beta'yı biliniyor sayarak \sigma^2'leri küçük kestirir (serbestlik kaybını yok sayar). REML, olabilirliği \beta üzerinden integralleyerek (\beta için düz önsel) bu yanlılığı giderir. Bu, Bayesçi açıdan da doğaldır: REML olabilirliği, düz \beta önselinde varyans parametrelerinin marjinal olabilirliğidir (Bates ve ark. 2015). MerQur bu yüzden kestirimi REML ile yapar, ama olabilirlik karşılaştırması (BIC) gerektiğinde ML'ye geçer.
116.5.3 Sabit etkiler: Wald istatistikleri
- \hat V=\hat\sigma_\varepsilon^2I+\hat\sigma_u^2ZZ' (rastgele kesişimde blok köşegen).
- \Phi: standart normal dağılım fonksiyonu; aralık asimptotik normal (Wald) güven aralığıdır (
_fit_extended,bayesian_hierarchical.py:581–587).
Az grupta Wald z iyimserdir
Gruplar arası bilgiye dayanan katsayılarda (sabit, grup düzeyi yordayıcılar) etkin serbestlik derecesi grup sayısına yakındır. Tıp örneğinde sabit için lmerTest Satterthwaite sd'si 7,4'tür; %95 aralık Wald'da [7,632; 9,085], Satterthwaite t ile [7,490; 9,226]. Grup içi değişen age için fark yoktur (sd 194). K<10 olduğunda MerQur bunu bir notla hatırlatır; küçük K'de sabit etki çıkarımı için Doğrusal Karma Model bölümündeki Satterthwaite/Kenward–Roger seçenekleri kullanılmalıdır.
116.5.4 Varyans bileşenleri ve ICC
- \hat\sigma_{\text{alt}}^2: yalnız iç içe alt grup seçildiğinde; aksi hâlde 0 (
585–586). - Rastgele eğimde ICC yalnız kesişim varyansıyla, yani yordayıcıların 0 olduğu noktada tanımlıdır.
116.5.5 Grup etkileri: BLUP ve koşullu varyans (görgül Bayes)
u_j'nin ortak dağılımı önsel, veri olabilirlik sayılırsa u_j'nin koşullu sonsalı normaldir. MerQur lme4 ranef(condVar = TRUE) tanımını kullanır (607–619):
Rastgele kesişimli modelde bu ifadeler kapalı biçime iner:
- k_j: büzülme (güvenilirlik) katsayısı; az gözlemli ya da gürültülü grupta küçüktür ve grup etkisi 0'a (genel ortalamaya) çekilir.
- \bar y_j-\bar x_j'\hat\beta: grubun ham ortalama artığı.
- Aralık koşulludur: \hat\beta, \hat\sigma_u^2 ve \hat\sigma_\varepsilon^2'nin belirsizliğini içermez.
Neden "görgül Bayes"?
Bayes kuralı u_j için doğrudan uygulanır, ama önselin parametresi (\sigma_u^2) önselden değil veriden kestirilir ve yerine konur (Morris 1983). Sonuç, ham grup ortalamasıyla genel ortalamanın kesinlik ağırlıklı ortalamasıdır; frekansçı dilde en iyi doğrusal yansız kestirici (BLUP; Robinson 1991). Tam Bayeste \sigma_u^2 de bir sonsal dağılım alır ve bu belirsizlik grup aralıklarına eklenir.
116.5.6 LMM'ye karşı OLS: BIC Bayes faktörü
Model ML ile yeniden kestirilir; aynı sabit etkilerle OLS de kestirilir (593–605):
- n_\theta: varyans–kovaryans parametresi sayısı (rastgele kesişimde 1; ilişkili kesişim + bir eğimde 3; iç içe alt grupla bir fazla).
- Log BF, taşmayı önlemek için [-250,\ 250]'ye kırpılır.
- Kanıt etiketi bölüm 114.5.11'deki eşiklerle verilir.
Neden ML ve neden "yaklaşık"?
REML olabilirliği sabit etki yapısına bağlıdır; farklı modellerin REML olabilirlikleri karşılaştırılamaz, bu yüzden ML kullanılır. BIC farkı, birim bilgi önseli altında Laplace yaklaşımıdır (Wagenmakers 2007). H_0'da \sigma_u^2=0 parametre uzayının sınırındadır; olağan asimptotikler sınırda geçerli değildir (Self ve Liang 1987) ve BIC'in "bir parametre" cezası tam doğru değildir. Kanıt çok güçlüyse (bu veride \ln\text{BF}=41) bu önemsizdir; sınırdaki küçük ICC'lerde BF yalnız kaba bir gösterge olarak okunmalıdır.
116.5.7 Profil olabilirlik aralıkları
Rastgele kesişimli modelde log olabilirlik grup bazında kapalı biçimde yazılır (profile_ci, 287–358):
- r_j=y_j-X_j\hat\beta(\sigma_u,\sigma_\varepsilon): GLS artıkları; \hat\beta her noktada yeniden hesaplanır (profillenir).
- \sigma_u'nun profili: \ell_p(\sigma_u)=\max_{\sigma_\varepsilon}\ell; aralık 2[\hat\ell-\ell_p(\sigma_u)]=\chi^2_{1;\,1-\alpha} denkleminin iki köküdür (Brent). Alt kök bulunamazsa (sınır) alt uç 0 yazılır.
Rastgele eğimli ya da iç içe modelde aynı tanım, ML sapmasının diğer tüm varyans parametreleri üzerinden en küçüklenmesiyle uygulanır (_profile_extended, 687–740). İkisi de lme4 confint(method = "profile") tanımıdır.
116.5.8 ICC için parametrik bootstrap
Her y^* için model aynı tasarımla REML ile yeniden kestirilir ve \text{ICC}^* hesaplanır; aralık \text{ICC}^*'ların \alpha/2 ve 1-\alpha/2 yüzdelikleridir (_icc_ci_boot, 650–684). Kestirim başarısız olan örnekler atılır; yarısından azı kalırsa aralık "—" basılır. Bu, lme4 bootMer(type = "parametric", use.u = FALSE) tanımıdır.
Koddaki tercih
Rastgele sayı üreteci numpy.random.default_rng(20261012)'dir; aynı veri ve ayarla aralık her çalıştırmada bit düzeyinde aynıdır. Tohum değişince aralık Monte Carlo hatası kadar oynar (116.6.2). Yeniden kestirimde rastgele kesişimli modelde tek boyutlu sınırlı arama, genişletilmiş modelde L-BFGS-B kullanılır (_refit_y, 623–647).
116.5.9 Yakınsama tanıları
MCMC olmadığı için \hat R ve ESS bu modülün çıktısında yer almaz (tanımlar için bkz. 114.5.12). Tam Bayes karşılaştırmasında (116.6.3) kullanılan Gibbs örnekleyicisinin \hat R ve ESS değerleri, görgül Bayes ile tam Bayes arasındaki farkın Monte Carlo hatasından değil yöntemden geldiğini göstermek için verilmiştir.
116.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/bayesian_hierarchical/elle_hesap.py ile, MerQur kodu çağrılmadan hesaplanmıştır. Bağımsız hesap PLS kullanmaz: marjinal modeli V_j=\sigma_\varepsilon^2I+\sigma_u^2J üzerinden Sherman–Morrison kapalı biçimli ters ve determinantla yazar ve REML/ML log olabilirliğini (\ln\sigma_u,\ln\sigma_\varepsilon) üzerinde Nelder–Mead ile en büyükler.
Adım 1 — REML kestirimleri. \hat\sigma_u^2=0{,}491210, \hat\sigma_\varepsilon^2=0{,}565801; \hat\theta=\hat\sigma_u/\hat\sigma_\varepsilon=0{,}931755. REML log olabilirliği −239,633620.
Adım 2 — Sabit etkiler (GLS).
| \hat\beta | SH | z | p | %95 Wald GA | |
|---|---|---|---|---|---|
| Sabit | 8,358166 | 0,370710 | 22,546354 | 1,46·10⁻¹¹² | [7,631587; 9,084745] |
| age | 0,021232 | 0,003890 | 5,458559 | 4,80·10⁻⁸ | [0,013608; 0,028855] |
Örneğin age için z=0{,}021232/0{,}003890=5{,}458559 ve aralık 0{,}021232\pm1{,}959964\times0{,}003890. Sabitin p değeri 2\left[1-\Phi(22{,}546354)\right] çok küçüktür ve tamamlayıcı dağılım fonksiyonuyla (2\,\bar\Phi(|z|)) hesaplanır; ekranda "<0.0001" görünür.
Adım 3 — ICC. \text{ICC}=0{,}491210/(0{,}491210+0{,}565801)=0{,}464716: toplam artık değişkenliğin yaklaşık %46,5'i klinikler arasıdır.
Adım 4 — BLUP'lar. Tüm kliniklerde n_j=40 olduğundan büzülme katsayısı aynıdır:
| Klinik | Ham ortalama artığı | BLUP \hat u_j | %95 koşullu aralık |
|---|---|---|---|
| K_Bursa | 1,108475 | 1,077448 | [0,847630; 1,307267] |
| K_Istanbul | 0,311513 | 0,302793 | [0,072975; 0,532612] |
| K_Ankara | −0,391033 | −0,380088 | [−0,609906; −0,150269] |
| K_Antalya | −0,433975 | −0,421828 | [−0,651646; −0,192009] |
| K_Izmir | −0,594980 | −0,578326 | [−0,808145; −0,348508] |
Her klinik 40 hastayla ölçüldüğü için büzülme yalnız %2,8'dir; az hastalı bir klinik eklense o kliniğin etkisi 0'a çok daha fazla çekilirdi.
Şekil 116.1. Ham klinik ortalama artıkları (×) ve BLUP'lar (●, %95 koşullu aralıkla). Oklar büzülmenin yönünü ve büyüklüğünü gösterir.
Adım 5 — LMM ile OLS. ML yeniden kestirimi: \hat\sigma_u^2=0{,}390046, \hat\sigma_\varepsilon^2=0{,}562904, \ell_{\text{ML}}=-234{,}716796. OLS: \ell_{\text{OLS}}=-278{,}403185. \ln200=5{,}298317:
Adım 6 — Profil aralıkları (ML). \hat\sigma_u=0{,}624537, \hat\sigma_\varepsilon=0{,}750269; \chi^2_{1;\,0{,}95}/2=1{,}920729. %95 aralıklar \sigma_u\in[0{,}360912;\ 1{,}380342] (\sigma_u^2\in[0{,}130258;\ 1{,}905345]), \sigma_\varepsilon\in[0{,}681545;\ 0{,}831370]. Beş klinikle \sigma_u'nun üst ucu alt ucun yaklaşık dört katıdır: grup sayısı az olduğunda gruplar arası varyans kaba kestirilir.
Adım 7 — Rastgele eğim (age). Kesişim SD'si 0,704630, eğim SD'si 7{,}39\times10^{-5} ve korelasyon −1,0000 çıkar: model tekil (sınırda) uyumdur, yani verinin eğim varyansını destekleyecek bilgisi yoktur; MerQur bunu lme4 isSingular ölçütüyle (göreli Cholesky öğesi \theta<10^{-4}) yakalar ve çevrilmiş bir "tekil (sınırda) uyum" uyarısı yazar; lme4 aynı uyumu "boundary (singular) fit" uyarısıyla verir. BIC (501,22) basit modelinkinden (490,63) büyüktür.
116.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan alınmıştır; modül sonuç nesnesinde yuvarlama yapmaz. R 4.5.3, lme4 2.0.6: lmer(REML = TRUE), refitML, ranef(condVar = TRUE), confint(method = "profile"), bootMer. ‡: lme4'ün profil aralığı, profil eğrisinin spline enterpolasyonundan okunur ve kesin kökten 10^{-5} düzeyinde ayrılır (bu veride \sigma_u alt ucunda 1{,}2\times10^{-5}); MerQur ve bağımsız Python kökü doğrudan bulur ve 10^{-14} içinde aynıdır. ˢ: rastgele eğimli tekil uyumda sapma yüzeyi düzdür; MerQur ve lme4'ün iyileyicileri aynı sapmada (BIC farkı 3\times10^{-10}) parametre uzayının biraz farklı noktalarında durur; ölçüt 10^{-5}'tir.
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 (lme4) | En büyük fark | Durum |
|---|---|---|---|---|---|
| Sabit: \hat\beta | 8,358166 | 8,358166 | 8,358166 | 1,2e−09 | ✓ |
| Sabit: SH | 0,370710 | 0,370710 | 0,370710 | 1,9e−08 | ✓ |
| Sabit: z | 22,546354 | 22,546355 | 22,546354 | 1,2e−06 | ✓ |
| Sabit: %95 Wald alt | 7,631587 | 7,631587 | — | 3,4e−08 | ✓ |
| Sabit: %95 Wald üst | 9,084745 | 9,084745 | — | 3,6e−08 | ✓ |
| Sabit: %90 Wald alt | 7,748402 | 7,748402 | — | 2,8e−08 | ✓ |
| age: \hat\beta | 0,021232 | 0,021232 | 0,021232 | 2,4e−11 | ✓ |
| age: SH | 0,003890 | 0,003890 | 0,003890 | 1,2e−11 | ✓ |
| age: z | 5,458559 | 5,458559 | 5,458559 | 1,1e−08 | ✓ |
| age: p | 4,8001·10−8 | 4,8001·10−8 | — | 2,9e−15 | ✓ |
| age: %95 Wald alt | 0,013608 | 0,013608 | — | 1,2e−12 | ✓ |
| age: %95 Wald üst | 0,028855 | 0,028855 | — | 4,5e−11 | ✓ |
| age: %90 Wald alt | 0,014834 | 0,014834 | — | 2,5e−12 | ✓ |
| \sigma^2_u (REML) | 0,491210 | 0,491210 | 0,491210 | 7,2e−08 | ✓ |
| \sigma^2_\varepsilon (REML) | 0,565801 | 0,565801 | 0,565801 | 3,6e−09 | ✓ |
| ICC | 0,464716 | 0,464716 | 0,464716 | 3,8e−08 | ✓ |
| log-olabilirlik (REML) | −239,633620 | −239,633620 | −239,633620 | 1,6e−12 | ✓ |
| log-olabilirlik (ML yeniden uydurma) | −234,716796 | −234,716796 | −234,716796 | 1,6e−12 | ✓ |
| log-olabilirlik (OLS) | −278,403185 | −278,403185 | −278,403185 | 4,5e−13 | ✓ |
| BIC (LMM, ML) | 490,626861 | 490,626861 | 490,626861 | 2,3e−12 | ✓ |
| BIC (OLS) | 572,701323 | 572,701323 | 572,701323 | 2,3e−13 | ✓ |
| BF₁₀ (LMM / OLS) | 6,6411·1017 | 6,6411·1017 | 6,6411·1017 | 1,2e−12 (göreli) | ✓ |
| BLUP K_Bursa | 1,077448 | 1,077448 | 1,077448 | 4,7e−09 | ✓ |
| BLUP K_Istanbul | 0,302793 | 0,302793 | 0,302793 | 1,3e−09 | ✓ |
| BLUP K_Ankara | −0,380088 | −0,380088 | −0,380088 | 1,7e−09 | ✓ |
| BLUP K_Antalya | −0,421828 | −0,421828 | −0,421828 | 1,8e−09 | ✓ |
| BLUP K_Izmir | −0,578326 | −0,578326 | −0,578326 | 2,5e−09 | ✓ |
| BLUP K_Bursa: %95 koşullu alt | 0,847630 | 0,847630 | 0,847630 | 5,0e−09 | ✓ |
| BLUP K_Bursa: %95 koşullu üst | 1,307267 | 1,307267 | 1,307267 | 4,5e−09 | ✓ |
| Profil %95 \sigma_u alt | 0,360912 | 0,360912 | 0,360900 ‡ | 6,4e−15 | ✓ |
| Profil %95 \sigma_u üst | 1,380342 | 1,380342 | 1,380320 ‡ | 8,9e−15 | ✓ |
| Profil %95 \sigma_\varepsilon alt | 0,681545 | 0,681545 | 0,681545 ‡ | 5,6e−16 | ✓ |
| Profil %95 \sigma_\varepsilon üst | 0,831370 | 0,831370 | 0,831370 ‡ | 2,2e−16 | ✓ |
| Profil %90 \sigma_u alt | 0,390133 | 0,390133 | 0,390119 ‡ | 9,1e−15 | ✓ |
| Profil %90 \sigma_u üst | 1,185783 | 1,185783 | 1,185769 ‡ | 1,7e−14 | ✓ |
| Profil %90 \sigma_\varepsilon alt | 0,691865 | 0,691865 | 0,691865 ‡ | 1,3e−14 | ✓ |
| Profil %90 \sigma_\varepsilon üst | 0,817378 | 0,817378 | 0,817378 ‡ | 2,4e−14 | ✓ |
| Rastgele eğim: Sabit \hat\betaˢ | 8,358323 | — | 8,358323 | 2,0e−09 | ✓ |
| Rastgele eğim: Sabit SHˢ | 0,372136 | — | 0,372137 | 1,9e−06 | ✓ |
| Rastgele eğim: age SHˢ | 0,003890 | — | 0,003890 | 1,5e−09 | ✓ |
| Rastgele eğim: SD(kesişim)ˢ | 0,704630 | — | 0,704635 | 5,0e−06 | ✓ |
| Rastgele eğim: \sigma_\varepsilonˢ | 0,752194 | — | 0,752193 | 2,2e−07 | ✓ |
| Rastgele eğim: BIC (LMM, ML) | 501,223458 | — | 501,223458 | 3,4e−10 | ✓ |
Sonuç: 43 deterministik büyüklüğün tamamı ölçütü karşılar (sabitin p değeri tabloya alınmamıştır; bkz. Adım 2).
116.6.2 ICC bootstrap: tohum ve Monte Carlo hatası
Bootstrap aralığı rastgele örneklemeye dayandığından üç kaynağın (B ve tohumları farklı) aynı sayıyı vermesi beklenmez. Ölçüt, yüzdelik kestiricisinin standart hatasıdır: \text{SH}(\hat q_p)\approx\sqrt{p(1-p)/B}\,/\,\hat f(q_p) (\hat f: bağımsız Python bootstrap örnekleminden çekirdek yoğunluk kestirimi). Farklar birleşik SH'nin 3 katının içindedir. MerQur aynı tohumla iki kez çalıştırıldığında aralık özdeştir.
| Kaynak | B | Tohum | %95 alt (2,5. yüzdelik) | %95 üst (97,5. yüzdelik) |
|---|---|---|---|---|
| MerQur | 1000 | 20261012 | 0,087490 | 0,714559 |
| MerQur, aynı tohumla tekrar | 1000 | 20261012 | 0,087490 | 0,714559 |
| MerQur | 1000 | 7 | 0,083418 | 0,728028 |
| Python (bağımsız) | 2000 | 99 | 0,072774 | 0,731911 |
R lme4 bootMer |
1000 | 20261114 | 0,066434 | 0,700156 |
| Karşılaştırma | Alt uç fark / birleşik SH | Üst uç fark / birleşik SH | Durum |
|---|---|---|---|
| MerQur (tohum 20261012) – Python | 1,12 | 1,63 | ✓ |
| MerQur (tohum 7) – Python | 0,81 | 0,36 | ✓ |
R lme4 bootMer (tohum 20261114) – Python |
0,48 | 2,98 | ✓ |
| MerQur aynı tohum, iki çalıştırma | özdeş | özdeş | ✓ |
Şekil 116.2. ICC: görgül Bayes nokta kestirimi (turuncu çizgi) ve parametrik bootstrap aralığı (turuncu bant) ile tam Bayes sonsalı (mor; σ²_u ~ Ters-Gama(0,5; 0,5), σ²_ε ~ Ters-Gama(0,0005; 0,0005), β düz önseliyle ızgara integrali).
116.6.3 Görgül Bayes ve tam Bayes
Görgül Bayes kestirimlerinin tam Bayes sonsalından nasıl ayrıldığını göstermek için aynı model iki yoldan tam Bayesçi olarak kestirilmiştir. Önseller: \beta düz, \sigma_u^2\sim Ters-Gama(0,5; 0,5), \sigma_\varepsilon^2\sim Ters-Gama(0,0005; 0,0005).
- Izgara integrali (MCMC'siz, kesin): \beta düz önselde integrallenince (\sigma_u^2,\sigma_\varepsilon^2)'nin sonsalı önsel × REML olabilirliğidir; (\ln\sigma_u,\ln\sigma_\varepsilon) üzerinde 600 × 400 Gauss–Legendre düğümüyle alınmıştır (
tam_bayes_izgara.py). - Gibbs örnekleyicisi (R, açık yazılmış): koşullu dağılımlar \beta\mid\cdot, u_j\mid\cdot, \sigma_\varepsilon^2\mid\cdot, \sigma_u^2\mid\cdot; 4 zincir × (2000 ısınma + 50000 çekiliş), tohumlar 21–24. Birinci zincir aynı tohumla yeniden çalıştırıldığında çekilişler özdeştir. brms bu makinede Stan modelini derleyemediği için kullanılamamıştır; MCMCpack
MCMChregressbu veride kesin integralle uyuşmadığından (age için sonsal SS 0,0030; kesin 0,0039) karşılaştırmaya alınmamıştır.
| Büyüklük | Görgül Bayes (MerQur) | Tam Bayes: ızgara integrali | Tam Bayes: Gibbs (R) | Gibbs MCSE | \lvertızgara − Gibbs\rvert/MCSE | \hat R | ESS (toplu) |
|---|---|---|---|---|---|---|---|
| Sabit: ortalama | 8,358166 | 8,359420 | 8,364654 | 0,010761 | 0,49 | 1,0016 | 1825 |
| age: ortalama | 0,021232 | 0,021206 | 0,021211 | 9,0143·10−6 | 0,55 | 1,0000 | 188564 |
| \sigma^2_u: ortalama | 0,491210 | 0,994580 | 0,954981 | 0,008810 | 4,49 | 1,0006 | 15194 |
| \sigma^2_\varepsilon: ortalama | 0,565801 | 0,571740 | 0,571828 | 0,000136 | 0,64 | 1,0000 | 186175 |
| ICC: ortalama | 0,464716 | 0,554110 | 0,551049 | 0,001237 | 2,48 | 1,0006 | 15555 |
| age: SS (SH) | 0,003890 | 0,003911 | 0,003914 | ||||
| Sabit: SS (SH) | 0,370710 | 0,488399 | 0,454234 | ||||
| ICC: medyan | — | 0,545716 | 0,543258 | ||||
| ICC: %95 alt | 0,087490 ᵇ | 0,279471 | 0,279100 | ||||
| ICC: %95 üst | 0,714559 ᵇ | 0,865079 | 0,856888 | ||||
| \sigma^2_u: %95 üst | 1,905345 ᵖ | 3,562462 | 3,363753 |
ᵇ: parametrik bootstrap aralığı; ᵖ: ML profil aralığının üst ucu (karesi).
Sabit etkilerin ortalaması üç yolda da aynıdır, ama belirsizlik farklıdır: tam Bayeste \sigma_u^2'nin sonsalı çok sağa çarpıktır (ortalama 0,99, medyan 0,67; görgül Bayes kestirimi 0,49) ve bu belirsizlik sabitin sonsal SS'sini 0,371'den 0,488'e çıkarır. ICC'nin tam Bayes %95 aralığı [0,279; 0,865], bootstrap aralığı [0,087; 0,715]'tir: beş klinikte gruplar arası varyans hakkındaki sonuç önsele ve yönteme duyarlıdır. Gibbs zincirinde \sigma_u^2 ve sabit yavaş karışır (toplu ESS 15194 ve 1825; \hat R 1,0006 ve 1,0016): merkezlenmiş parametrizasyonda sabit ile beş u_j güçlü biçimde ilişkilidir. Bu yüzden 50000'lik zincirlerde \sigma_u^2 ortalamasının ızgara değerinden uzaklığı 4,5 MCSE'dir; \hat R<1{,}01 ölçütü karşılansa da ağır kuyruklu ve yavaş karışan bir parametrede MCSE küçük kestirilmiştir. Aynı örnekleyici 4 × 400000 çekilişle (tohumlar 31–34, r_gibbs_uzun.R) çalıştırıldığında \sigma_u^2 ortalaması 1,0079 (MCSE 0,0106; ızgaradan 1,3 MCSE), ICC ortalaması 0,5550 (MCSE 0,0007; 1,3 MCSE), sabit 8,3507 (MCSE 0,0053; 1,6 MCSE) olur ve fark kapanır. Bu, "\hat R küçük" tek başına yeterli değildir dersinin sayısal örneğidir: ESS ve kesin bir başvuruyla karşılaştırma birlikte okunmalıdır.
116.7 Çıktıyı okuma
Varsayılan ayarlarla ve profil aralığı açıkken sonuç metni (kısaltılmış):
Hiyerarşik Bayesçi Regresyon (Görgül Bayes / REML)
Yöntem: görgül Bayes (REML/ML kestirimi). MCMC örneklemesi yapılmaz; ...
Gözlem sayısı : N = 200
Grup sayısı : K = 5
Sabit etkiler (β) — %95 Wald güven aralığı (z, asimptotik normal):
Değişken β SE z p %95 GA − +
Sabit terim 8.3582 0.3707 22.546 <0.0001 7.6316 9.0847 ***
age 0.0212 0.0039 5.459 <0.0001 0.0136 0.0289 ***
Varyans bileşenleri:
σ²_u (grup etkisi) = 0.4912 (%46.5)
σ²_ε (artık) = 0.5658 (%53.5)
ICC = 0.465 [%95 GA, parametrik bootstrap, B = 1000: 0.087, 0.715]
%95 profil olabilirlik GA: σ_u [0.3609, 1.3803] (σ²_u [0.1303, 1.9053]); σ_ε [0.6815, 0.8314]
─── Bayes faktörü (LMM ile OLS, BIC yaklaşımı) ───────────────
Log-olabilirlik LMM = -234.72 (ML)
Log-olabilirlik OLS = -278.40
BIC LMM = 490.63
BIC OLS = 572.70
BF₁₀ (LMM / OLS) = 6.64e+17
Not: H₀ (σ²_u = 0) parametre uzayının sınırındadır; BIC'in bir parametrelik cezası bu durumda tam geçerli değildir (Self ve Liang 1987). ICC küçükken BF kaba bir göstergedir.
Grup rastgele kesişimleri (en yüksek 10, BLUP / ampirik Bayes):
Grup n u_BLUP %95 koşullu alt koşullu üst
K_Bursa 40 1.0774 0.8476 1.3073
K_Izmir 40 -0.5783 -0.8081 -0.3485
APA 7 örnek raporlama:
HbA1c üzerinde ... ICC = 0.46 (%95 GA, parametrik bootstrap [0.09, 0.71]) — grup-içi benzerlik yüksek ...
Notlar:
• Grup sayısı az (K = 5): sabit etkilerin Wald z aralıkları ve p değerleri, özellikle sabit ve grup düzeyi yordayıcılarda iyimserdir (serbestlik derecesi düzeltmesi yok). Bu katsayılar için Satterthwaite serbestlik dereceli Doğrusal Karma Model analizini kullanın.
| Satır/Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Yöntem satırı | Görgül Bayes; MCMC yok | Raporda "REML kestirimli karma model, görgül Bayes grup kestirimleri" denmelidir. |
| Sabit etkiler | REML GLS, Wald z | Az grupta sabit ve grup düzeyi yordayıcıların aralığı iyimserdir (116.5.3). |
| σ²_u, σ²_ε, yüzdeler | REML varyansları | Yüzdeler toplam varyansa göredir; iç içe modelde alt grup varyansı (\sigma^2_{\text{alt}}) ayrı satırda yazılır ve paydaya katılır. |
| ICC ve bootstrap aralığı | Nokta kestirimi ve yüzdelik aralığı | Monte Carlo hatası içerir; tohum sabit. |
| Profil GA | \sigma_u, \sigma_\varepsilon ve kareleri | Sınıra (σ_u = 0) uyumlu; Wald aralığından güvenilir. |
| BF₁₀ (LMM / OLS) | BIC farkının üsteli | Hiyerarşinin gerekli olup olmadığına kaba kanıt; çıktıdaki not sınır sorununu hatırlatır. |
| Grup kesişimleri | En yüksek 10 BLUP ve koşullu aralık | Aralık inanılırlık aralığı değildir; varyans belirsizliğini içermez. |
| Rastgele etki yapısı | Eğim varyansı, korelasyon | Korelasyon ±1 ya da varyans ≈ 0 ise uyum tekildir; eğim kaldırılmalıdır. |
Notlar: K<5'te az grup notu; K<10'da Wald aralıklarının iyimserliği notu; tekil uyumda uyarı; LMM–OLS BF'sinde sınır notu; basit modelde ICC < 0,05'te "OLS yeterli olabilir"; genişletilmiş modelde yöntem notu; her çalıştırmada bootstrap tohum notu (bayesian_hierarchical.py:511–542).
APA biçiminde rapor cümlesi:
HbA1c, yaş sabit etkisi ve klinik rastgele kesişimiyle doğrusal karma modelle (REML) incelendi (N = 200 hasta, K = 5 klinik). Yaş, HbA1c ile pozitif ilişkiliydi, b = 0{,}021, SH = 0,004, z = 5{,}46, p < 0{,}001, %95 GA [0,014; 0,029]. Klinikler arası varyans \hat\sigma^2_u = 0{,}49, artık varyans \hat\sigma^2_\varepsilon = 0{,}57 idi; ICC = 0,46 (%95 parametrik bootstrap aralığı [0,09; 0,71]; \sigma_u için %95 profil olabilirlik aralığı [0,36; 1,38]). Rastgele kesişimli model sıradan regresyona karşı kesin biçimde desteklendi (\text{BF}_{10} = 6{,}6\times10^{17}, BIC yaklaşımı). Klinik etkilerinin görgül Bayes kestirimleri −0,58 (İzmir) ile 1,08 (Bursa) arasındaydı.
116.8 Uzman soruları
S1. Bu model gerçekten Bayesçi mi?
Kısmen. Grup etkileri Bayes kuralıyla (ortak normal dağılım önsel olarak) kestirilir, ama önselin varyansı veriden REML ile kestirilip yerine konur (görgül Bayes). Varyans parametreleri ve sabit etkiler için önsel yoktur; aralıklar Wald, koşullu ve bootstrap aralıklarıdır. Tam Bayes ile sabit etki ortalamaları aynı çıkar, belirsizlikler (özellikle \sigma_u^2 ve ICC) belirgin biçimde farklıdır (116.6.3).
S2. Sonuçlar lme4 ile aynı mı?
Evet: REML kestirimleri, SH'ler, log olabilirlikler, BIC ve BLUP'lar lme4 lmer ile 10^{-7} düzeyinde aynıdır. Profil aralığında MerQur kökü doğrudan bulur; lme4 spline enterpolasyonu kullandığından 10^{-5} düzeyinde ayrılır.
S3. Neden z ve neden Satterthwaite yok?
Modül sabit etkiler için asimptotik normal (Wald z) çıkarım yapar. Bu, grup içi değişen yordayıcılarda (age, sd ≈ 194) t ile aynıdır; ama sabit ve grup düzeyi yordayıcılarda etkin sd grup sayısına yakındır (burada 7,4) ve z aralığı dar kalır. Satterthwaite ve Kenward–Roger, Doğrusal Karma Model modülündedir.
S4. BLUP aralığı neden inanılırlık aralığı değil?
Koşullu varyans \hat\sigma_u^2, \hat\sigma_\varepsilon^2 ve \hat\beta'yı kesin bilinen sayar. Tam Bayeste bu parametrelerin belirsizliği de aralığa girer; az grupta aralıklar belirgin genişler. MerQur bu nedenle sütunu "koşullu" diye adlandırır.
S5. ICC aralığı tohuma bağlı mı?
Evet; parametrik bootstrap bir Monte Carlo yöntemidir. Tohum 20261012'ye sabit olduğundan aynı veriyle aynı aralık çıkar; tohum 7 ile alt uç 0,0875 → 0,0834, üst uç 0,7146 → 0,7280 olur. B=1000'de yüzdelik uçlarının Monte Carlo SH'si bu veride ≈ 0,01'dir. Aralık uçları raporlanırken iki ondalık yeterlidir.
S6. LMM–OLS Bayes faktörü sınır sorununu nasıl ele alıyor?
Düzeltme yapmaz, ama sorunu çıktıda bir notla belirtir: \sigma_u^2=0 sınırdadır ve BIC'in bir parametrelik cezası sınırda tam doğru değildir (Self ve Liang 1987). Bu veride kanıt o kadar güçlüdür ki (\ln\text{BF}=41) etkisizdir. ICC küçükken BF'yi kesin bir test olarak değil, kaba bir gösterge olarak okuyun; profil aralığının alt ucunun 0 olup olmadığı daha bilgilendiricidir.
S7. Grup sayısı az ya da her grupta tek gözlem varsa?
K<3'te hata, K<5'te not verilir. Her grupta tek gözlem varsa \sigma_u^2 ile \sigma_\varepsilon^2 ayrışmaz; kestirim yapılır ama bileşenlerin yorumlanamayacağı uyarısı en başa yazılır (lme4 bu durumda hata verir). Düzey sayısı N/2'yi aşarsa hesaptan önce onay istenir.
S8. Rastgele eğimde korelasyon −1 çıkarsa?
Uyum tekildir: eğim varyansı sıfıra yakındır ve korelasyon tanımsız hâle gelir. Tıp örneğinde age eğimi böyledir (SD 7{,}4\times10^{-5}). Sabit etki kestirimleri neredeyse değişmez; model basitleştirilmeli (eğim kaldırılmalı) ve BIC'ler karşılaştırılmalıdır (501,2 ve 490,6).
116.9 Sık hatalar ve tuzaklar
- Sonuçları "sonsal dağılım" diye raporlamak. Sabit etki aralıkları Wald güven aralığı, grup aralıkları koşullu aralıktır.
- Az grupta Wald z aralığına güvenmek. Sabit ve grup düzeyi yordayıcılarda aralık iyimserdir.
- ICC bootstrap aralığını kesin sanmak. Monte Carlo hatası içerir; tohum sabittir ama B küçükse uçlar oynar.
- BLUP'ları ham grup ortalamaları gibi okumak. BLUP'lar 0'a büzülmüştür; az gözlemli gruplarda büzülme büyüktür.
- Tekil uyumu gözden kaçırmak. Korelasyon ±1 ya da eğim varyansı ≈ 0 ise eğim kaldırılmalıdır.
- LMM–OLS BF'sini küçük ICC'de kesin test saymak. Sınır sorunu vardır.
- Grup değişkeni olarak sürekli bir sütun seçmek. Onay penceresi uyarır; seçim düzeltilmelidir.
116.10 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
- Gelman, A. (2006). Prior distributions for variance parameters in hierarchical models. Bayesian Analysis, 1(3), 515–534. https://doi.org/10.1214/06-BA117A
- 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
- Morris, C. N. (1983). Parametric empirical Bayes inference: Theory and applications. Journal of the American Statistical Association, 78(381), 47–55. https://doi.org/10.1080/01621459.1983.10477920
- Robinson, G. K. (1991). That BLUP is a good thing: The estimation of random effects. Statistical Science, 6(1), 15–32. https://doi.org/10.1214/ss/1177011926
- Self, S. G., & Liang, K.-Y. (1987). Asymptotic properties of maximum likelihood estimators and likelihood ratio tests under nonstandard conditions. Journal of the American Statistical Association, 82(398), 605–610. https://doi.org/10.1080/01621459.1987.10478472
- 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