MerQuR+Başvuru Kitabı

127. Bayesçi Aracılık Analizi

Analiz kimliği: bayesian_mediation · Menü adı: Bayesçi Aracılık Analizi · Panel: gui/panels/analyses/bayesian_mediation.py (form 57–175, read_options 191–245, execute 260–304) · Motor: stats/bayes_aracilik.py, run_bayesian_mediation (satır 566–833); örnekleyici _gibbs (440–512), özet ve tanılar summarize (276–293), rhat, ess_bulk, ess_tail, mcse_mean (266–273); denklem kurulumu Koşullu Süreç motoru (stats/kosullu_surec.py, _prepare 637–761, _build_eqs 799–838)

127.1 Ne işe yarar

Aracılık modelinin denklemlerini Bayesçi olarak kestirir ve dolaylı etkiyi yol katsayılarının sonsal çekilişlerinin çarpımı olarak verir (Yuan ve MacKinnon 2009). Sonuç bir p değeri ya da güven aralığı değil, dolaylı etkinin sonsal dağılımıdır: ortalama, medyan, SS, eşit kuyruklu inanılırlık aralığı (İA), en yüksek sonsal yoğunluk aralığı (HDI) ve P(\text{etki}>0\mid\text{veri}).

Model 4 (tek aracı) için denklem sistemi:

M_i=\beta_{M0}+a\,X_i+e_{Mi},\qquad Y_i=\beta_{Y0}+c'X_i+b\,M_i+e_{Yi},\qquad e_{Mi}\sim N(0,\sigma_M^2),\ e_{Yi}\sim N(0,\sigma_Y^2)
  • a: X → M yolu; b: M → Y yolu (X sabitken); c': doğrudan etki.
  • Dolaylı etkinin sonsalı: her çekilişte a^{(s)}b^{(s)}; toplam etki c'^{(s)}+a^{(s)}b^{(s)}.
  • MerQur Koşullu Süreç (PROCESS) şablonlarını kullanır: Model 4 (1–4 paralel aracı), Model 6 (seri aracılar), Model 7 (W, X→M yolunu düzenler) ve Model 14 (W, M→Y yolunu düzenler).
  • Y ikili ise Y denklemi lojistik ya da probit regresyondur; aracılar her zaman doğrusaldır.

Ne zaman kullanılır?

  • Dolaylı etki hakkında olasılık ifadesi isteniyorsa: "ab>0 olasılığı 0,30" gibi.
  • Önceki çalışmalardan a ya da b hakkında bilgi varsa ve bu bilgi önsel olarak eklenecekse (küçük örneklemde güç kazancı; Miočević, MacKinnon ve Levy 2017).
  • Örneklem küçük ve dolaylı etkinin dağılımı çarpıksa: sonsal dağılım çarpıklığı doğrudan taşır, normal yaklaşıma gerek yoktur.
  • Düzenlenmiş aracılıkta koşullu dolaylı etkinin W boyunca sonsal bandı isteniyorsa (Model 7, 14).

Ne zaman kullanılmaz?

  • Sıklıkçı GA ve p raporlanacaksa: Aracılık Analizi (Bölüm 122; bootstrap GA).
  • Gözlemler kümeliyse: Çok Düzeyli Aracılık (Bölüm 123) ya da MSEM (Bölüm 126).
  • Aracı ikili ise: motor ikili aracıyı reddeder (Koşullu Süreç denetimi, kosullu_surec.py:736–740).
  • Gizil değişkenli aracılık: Yapısal Eşitlik Modeli (Bölüm 89).

Sık karıştırılan analizler. Düz önselle Bayesçi aracılığın sonsal ortalaması ve İA'sı, sıklıkçı OLS kestirimine ve bootstrap GA'sına çok yakındır; fark yorumdadır. "Hiyerarşik Bayesçi regresyon" (Bölüm 116) kümelenmiş veri içindir. Nedensel aracılık (Bölüm 125) farklı bir tanım (potansiyel sonuçlar) kullanır; doğrusal modelde aynı noktaya varır.

127.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Doğru belirlenmiş denklemler Doğrusallık, gerekli kovaryatlar dahil. Denetlenmez.
Sürekli Y'de normal, eşit varyanslı artık e\sim N(0,\sigma^2). Denetlenmez.
İkili Y 0/1 ya da iki değerli; lojit (varsayılan) ya da probit bağlantı. İki değerli Y otomatik ikili sayılır; büyük değer 1 kodlanır (kosullu_surec.py:727–735).
Ayrışma yok (ikili Y, düz önsel) Tam ayrışmada sonsal uygun (proper) olmaz. Düz önselli lojistik ön uydurmada ayrışma ya da yakınsamama varsa hata (bayes_aracilik.py:685–688).
Bağımsız gözlemler Kümelenme yok. Denetlenmez.
Karıştırıcı yokluğu M–Y ilişkisinde ölçülmemiş karıştırıcı yok (nedensel yorum için). Denetlenmez.
Yakınsama MCMC zincirleri sonsalı temsil ediyor. R̂ > 1,01 ya da ESS < 400 ise not (828–830); tek zincirde not (831–832).

Eksik değer. Kullanılan tüm değişkenlerde liste bazında silme; silinen satır numaraları tutulur ve "n = …" satırında sayısı yazılır (kosullu_surec.py:681–686).

Uç durumlar.

  • Model 7/14'te W zorunludur; Model 4/6'da seçilen W uyarıyla yok sayılır (panel 275–283).
  • Aracı sayısı modelin aralığında olmalı; aynı değişken iki rolde seçilemez (panel 268–272; motor 591–593).
  • n<p+1 ya da tasarım matrisi tam sıralı değilse hata (649–653). Sürekli denklemde tam uyum (s^2=0) hata (681–682).
  • Zincir sayısı 1–16, yineleme ≥ 100 (arayüz ve motor aynı sınırları kullanır), saklanan çekiliş zincir başına ≥ 50 olmalı (602–605).

127.3 Parametreler

Varsayılanlar bayesian_mediation.py:57–245 (form ve read_options) ve execute imzasından (259–262) okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Model Model 4 4, 6, 7, 14. Denklemler ve etki türleri.
Bağımsız değişken (X), Aracı M₁, Bağımlı (Y) sütun sırasındaki ilk üç Sayısal ya da ikili sütunlar. Model.
Aracı M₂…M₄ (yok) Ek aracılar (Model 4: paralel, Model 6: seri). Dolaylı yollar, toplam dolaylı, karşıtlıklar.
Düzenleyici (W) (yok) Yalnız Model 7/14'te görünür. Koşullu dolaylı etki ve indeks.
Kovaryatlar boş Tüm denklemlere eklenir. Yollar düzeltilir.
İkili Y bağ fonksiyonu Lojit Lojit (Pólya–Gamma) ya da probit (Albert–Chib). Y ikili değilse etkisiz, ayar bloğuna yazılır.
Önsel Bilgisiz (düz) Düz, zayıf bilgili, kullanıcı tanımlı. Sonsal; BF₁₀ yalnız uygun önselde.
a / b yolu önsel ortalaması ve SS'si 0 ve 1 Yalnız "kullanıcı tanımlı"da görünür ve kullanılır. a ve b sonsalı.
Zincir sayısı 4 1–16. R̂ hesabı; toplam çekiliş.
Yineleme (zincir başına) 5000 Isınma sonrası. MC hatası.
Isınma (atılan) 1000 Başlangıçtan atılan yineleme. Başlangıç etkisi.
İnceltme 1 Her k. çekiliş saklanır. Saklanan çekiliş \lceil\text{yineleme}/k\rceil.
Tohum 42 Tüm rastgele sayılar. Yeniden üretilebilirlik.
İnanılırlık düzeyi %95 İA ve HDI düzeyi. Aralıklar.
Merkezleme, W değerleri, W değerleri (elle) Yok; 16./50./84. yüzdelikler Yalnız Model 7/14. Koşullu dolaylı etkilerin W noktaları.
Grafik Sonsal dağılım Sonsal dağılım, koşullu dolaylı etki eğrisi, iz grafiği. Yalnız grafik.

Koddaki tercih: görünmeyen seçenekler okunur ama kullanılmaz

Kullanıcı önseli seçili değilken a/b önsel kutuları varsayılandan farklıysa, Model 4/6'da merkezleme ya da W değeri girilmişse, Y sürekliyken probit seçilmişse sonuç değişmez; değer "istenen/uygulanan" ayar bloğuna yazılır (_kaydet_onsel 306–322, _kaydet_duzenleyicisiz 325–344, execute 297–300).

127.4 Tıp örneği

Dosya: english/datasets/Tip/51_mediation_stress_cortisol_bp.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/51_mediation_stres_kortizol_KB.xlsx). Değişkenler VIDEO_SCRIPT_TR.txt #51'den alınmıştır (Aracılık Analizi bölümüyle aynı veri).

Değişken Rol Tür Özet
stress_PSS X sürekli (0–10) ort. 5,2435; SS 1,9477
cortisol_ng_mL M sürekli ort. 19,8679; SS 3,5547
systolic_bp Y sürekli (mmHg) ort. 109,28; SS 5,6383

n ve eksik değer: 200 hasta, eksik yok.

Klinik soru: Algılanan stres kortizol üzerinden sistolik kan basıncını yükseltiyor mu? Dolaylı etkinin pozitif olma olasılığı nedir?

Seçilen ayarlar: Varsayılanlar (Model 4, düz önsel, 4 zincir × 5000, ısınma 1000, inceltme 1, tohum 42, %95). Ayrıca zayıf bilgili önsel, kullanıcı önseli (a\sim N(0{,}1), b\sim N(0{,}1)), tek zincir ve ikili Y örneği çalıştırılmıştır. İkili Y için Tıp setinde uygun değişken olmadığından kb_yuksek = 1{systolic_bp ≥ 113} (üst çeyrek; 54 hasta) türetilmiştir.

127.5 Formüller ve hesap adımları

MerQur sırası: denetimler → Koşullu Süreç motoruyla veri hazırlığı ve denklem tasarımları → her denklem için önsel, başlangıç değerleri ve C zincirli Gibbs örnekleyicisi (denklemler sırayla, tek rastgele sayı akışıyla) → katsayı tablosu ve Savage–Dickey BF₁₀ → dolaylı, toplam dolaylı, karşıtlık, doğrudan ve toplam etkilerin çekilişleri → sonsal özetler ve yakınsama tanıları.

127.5.1 Önseller

Sabit terim her zaman düz önsellidir. Eğimler için (run_bayesian_mediation, 655–674):

\text{düz: } p(\beta_j)\propto1,\qquad \text{zayıf: } \beta_j\sim N\!\Big(0,\ \big(2{,}5\,s_y/s_{x_j}\big)^2\Big),\qquad \text{kullanıcı: } a\sim N(\mu_a,\sigma_a^2),\ b\sim N(\mu_b,\sigma_b^2),\qquad p(\sigma^2)\propto\frac1{\sigma^2}
  • s_y: o denklemin bağımlı değişkeninin örneklem SS'si (n-1 paydalı); ikili Y'de s_y=1. s_{x_j}: ilgili tasarım sütununun SS'si (çarpım terimlerinde çarpım sütununun).
  • Zayıf önsel kovaryatlara ve çarpım terimlerine de uygulanır.
  • Kullanıcı önseli yalnız tek bileşenli a yollarına (aracı denkleminde X'in katsayısı) ve b yollarına (Y denkleminde aracının katsayısı) uygulanır; Model 6'daki M₁ → M₂ yolu, çarpım terimleri ve kovaryatlar düz kalır (667–671); çıktının önsel satırları bunu yazar.
  • p(\sigma^2)\propto1/\sigma^2 Jeffreys tipi önseldir.

Neden 2{,}5\,s_y/s_x?

Bu, rstanarm'ın varsayılan zayıf bilgili önselinin ölçeğidir (Gelman ve ark. 2008): standartlaştırılmış ölçekte eğim için N(0;\,2{,}5^2). Bir SS'lik X değişiminin Y'yi 5 SS'den fazla değiştirmesi önsel olarak olanaksız sayılır; makul tüm etkiler serbest kalır. n=200'de bu önselin sonsala etkisi ihmal edilebilir (Tıp örneğinde a'nın sonsal ortalaması 1,469160'tan 1,468738'e değişir).

127.5.2 Sürekli denklem: Gibbs örnekleyicisi

\boldsymbol\beta\mid\sigma^2,\mathbf y\sim N\big(\mathbf A^{-1}\mathbf r,\ \mathbf A^{-1}\big),\quad \mathbf A=\frac{\mathbf X^{\top}\mathbf X}{\sigma^2}+\mathbf P_0,\quad \mathbf r=\frac{\mathbf X^{\top}\mathbf y}{\sigma^2}+\mathbf P_0\boldsymbol\mu_0;\qquad \sigma^2\mid\boldsymbol\beta,\mathbf y\sim\text{Ters-Gama}\Big(\frac n2,\ \frac{\lVert\mathbf y-\mathbf X\boldsymbol\beta\rVert^2}2\Big)
  • \mathbf P_0=\operatorname{diag}(1/\sigma_{0j}^2) önsel kesinliği (düz önselli katsayılarda 0), \boldsymbol\mu_0 önsel ortalaması.
  • \boldsymbol\beta çekilişi: \mathbf A=\mathbf L\mathbf L^{\top} (Cholesky), \boldsymbol\beta=\mathbf A^{-1}\mathbf r+\mathbf L^{-\top}\mathbf z, \mathbf z\sim N(\mathbf 0,\mathbf I) (_batch_draw, 425–437).
  • \sigma^2 çekilişi: \sigma^2=\tfrac12\lVert\mathbf y-\mathbf X\boldsymbol\beta\rVert^2/G, G\sim\text{Gama}(n/2{,}1) (_gibbs, 458–464). Tüm zincirler aynı adımda vektörleştirilmiş olarak ilerler.
  • Başlangıç: \sigma^2_{c,0}=s^2\exp(\epsilon_c), \epsilon_c\sim N(0;0{,}5^2); s^2 OLS artık varyansı (676–683). Zincirler farklı noktalardan başlar; R̂ bu dağınıklığa dayanır.

Düz önselde sonsal neden kapalı biçimde bilinir?

p(\boldsymbol\beta,\sigma^2)\propto1/\sigma^2 altında \boldsymbol\beta'nın marjinal sonsalı çok değişkenli t_{n-p}\big(\hat{\boldsymbol\beta}_{OLS},\,s^2(\mathbf X^{\top}\mathbf X)^{-1}\big), \sigma^2'ninki Ters-Gama\big((n-p)/2,\,\text{RSS}/2\big)'dir. Sonsal ortalama OLS kestirimidir; %95 İA, OLS'nin t GA'sıyla aynıdır. Bu özellik doğrulamada kullanılır: MerQur'un MCMC özetleri kesin değerlerle karşılaştırılabilir (127.6.1, Tablo B).

127.5.3 İkili Y: veri artırımlı Gibbs

Lojit (Polson, Scott ve Windle 2013; _gibbs 472–487):

\omega_i\mid\boldsymbol\beta\sim\text{PG}(1,\ \mathbf x_i^{\top}\boldsymbol\beta),\qquad \boldsymbol\beta\mid\boldsymbol\omega\sim N\big(\mathbf A^{-1}(\mathbf X^{\top}\boldsymbol\kappa+\mathbf P_0\boldsymbol\mu_0),\ \mathbf A^{-1}\big),\quad \mathbf A=\mathbf X^{\top}\boldsymbol\Omega\mathbf X+\mathbf P_0,\quad \kappa_i=y_i-\tfrac12

Probit (Albert ve Chib 1993; 488–511): z_i\mid\boldsymbol\beta, y_i=1 ise (0,\infty)'a, y_i=0 ise (-\infty,0)'a kesilmiş N(\mathbf x_i^{\top}\boldsymbol\beta,1); \boldsymbol\beta\mid\mathbf z\sim N\big((\mathbf X^{\top}\mathbf X+\mathbf P_0)^{-1}(\mathbf X^{\top}\mathbf z+\mathbf P_0\boldsymbol\mu_0),\ (\mathbf X^{\top}\mathbf X+\mathbf P_0)^{-1}\big).

  • \text{PG}(1,c): Pólya–Gamma dağılımı; MerQur Devroye tipi kabul–ret algoritmasıyla çeker (kesik üstel ve kesik ters Gauss önerileri, alternatif seri; rpg1, 369–408).
  • Kesik normal: log uzayında ters BDF ile (_rtnorm_lower, 415–418); uç kuyruklarda kararlıdır.
  • Başlangıç: en çok sonsal (MAP) Newton çözümü çevresinde \hat{\boldsymbol\beta}_{MAP}+2\,\text{SH}\cdot\mathbf z (_map_binary, 519–547; 689–696).
  • İkili Y'de b, c' ve dolaylı etki lojit (log-odds) ya da probit ölçeğindedir; aracı denklemi doğrusal olduğundan toplam etki bu ölçekte toplanamaz ve verilmez (767–771).

Neden veri artırımı?

Lojistik ve probit olabilirlikleri normal önselle eşlenik değildir; doğrudan Gibbs adımı yoktur. Pólya–Gamma (lojit) ve kesik normal (probit) gizil değişkenleri eklendiğinde \boldsymbol\beta'nın koşullu dağılımı tam normal olur. Örnekleyici ayar parametresi gerektirmez (Metropolis adım büyüklüğü yok) ve yüksek ESS verir.

127.5.4 Etkiler

Tüm denklemlerin çekilişleri C\times S biçimindedir; zincirler ve çekilişler eşleştirilerek (aynı (c,s) indeksi) etkiler hesaplanır (733–803):

\text{ind}_k^{(s)}=a_k^{(s)}\,b_k^{(s)},\qquad \text{toplam dolaylı}^{(s)}=\sum_k\text{ind}_k^{(s)},\qquad \text{karşıtlık}_{kl}^{(s)}=\text{ind}_k^{(s)}-\text{ind}_l^{(s)},\qquad \text{toplam}^{(s)}=c'^{(s)}+\sum_k\text{ind}_k^{(s)}
  • Model 6'da seri yol a_1d_{21}b_2 gibi çarpımlar; yollar Koşullu Süreç motorunun _paths ve _path_effect fonksiyonlarıyla kurulur.
  • Model 7/14'te koşullu dolaylı etki W'nin seçilen değerlerinde (varsayılan 16./50./84. yüzdelikler), düzenlenmiş aracılık indeksi \text{ind}(W=1)-\text{ind}(W=0) (778–785); grafik için W aralığında 41 noktalık eğri ve bant (787–803).
  • Aracılar ve Y ayrı denklemlerdir ve önseller bağımsızdır; a ile b'nin sonsalları bağımsızdır, ama aynı Y denklemindeki b ile c' ilişkilidir.

127.5.5 Sonsal özetler

\text{İA}=\big[q_{\alpha/2},\,q_{1-\alpha/2}\big],\qquad \text{HDI}=\big[\theta_{(i^*)},\,\theta_{(i^*+m)}\big],\quad m=\lfloor(1-\alpha)N\rfloor,\quad i^*=\arg\min_i\big(\theta_{(i+m)}-\theta_{(i)}\big)
  • q: numpy.quantile (doğrusal ara değer, R type = 7) tüm zincirlerin birleşik N=C\cdot S çekilişi üzerinde.
  • HDI: sıralı çekilişlerde m+1 çekiliş içeren en dar pencere (Chen ve Shao 1999; hdi, 134–147). Tek tepeli dağılımda en kısa aralıktır; çarpık dağılımda İA'dan kısadır.
  • P(>0): çekilişlerin >0 olan oranı. SS N-1 paydalıdır.

127.5.6 Yakınsama tanıları

Vehtari, Gelman, Simpson, Carpenter ve Bürkner (2021) tanımları; zincirler önce ikiye bölünür (tek S'de ortadaki çekiliş atılır; _split, 150–156):

\hat R=\max\Big\{\hat R\big(\text{rn}(\boldsymbol\theta)\big),\ \hat R\big(\text{rn}(|\boldsymbol\theta-\tilde\theta|)\big)\Big\},\qquad \hat R(\mathbf x)=\sqrt{\frac{\frac{N-1}{N}W+\frac1N B}{W}},\qquad \text{rn}(x)=\Phi^{-1}\Big(\frac{r-3/8}{S_{\text{top}}+1/4}\Big)
\text{ESS}=\frac{MN}{\hat\tau},\qquad \hat\tau=-1+2\sum_{t=0}^{K}\hat\rho_t+\hat\rho_{K+1},\qquad \text{MCSE}(\bar\theta)=\frac{\text{SS}(\theta)}{\sqrt{\text{ESS}_{\text{ham}}}}
  • W: bölünmüş zincir içi varyansların ortalaması; B: N\times zincir ortalamalarının varyansı; M bölünmüş zincir sayısı, N zincir başına çekiliş. \tilde\theta: medyan; r: ortalama sıra, S_{\text{top}} toplam çekiliş.
  • \hat\rho_t: zincirler arası birleştirilmiş özilinti, \hat\rho_t=1-(W-\bar\gamma_t)/\widehat{\operatorname{var}}^+; FFT ile (_autocov, 191–198). Toplama, Geyer'in başlangıç pozitif dizisi (ardışık çift toplamlar pozitifken) ve monoton dizi düzeltmesiyle kesilir; \hat\tau\ge1/\log_{10}(MN) alt sınırı (antitetik zincirler için; _ess_basic, 201–241).
  • ESS (yığın) sıra-normalleştirilmiş çekilişlerde; ESS (kuyruk) %5 ve %95 yüzdelik göstergelerinin (I\{\theta\le q\}) ESS'lerinin küçüğü; MCSE ham çekilişlerin ESS'siyle (244–273).
  • Sonuçta en büyük R̂ ve en küçük yığın ESS, tüm katsayılar, \sigma'lar ve etkiler üzerinden alınır; eşikler R̂ > 1,01 ve ESS < 400 (812–830).

Koddaki tercih: posterior paketiyle aynı tanım

R̂, yığın/kuyruk ESS ve MCSE, R posterior paketinin (ve Stan'in) tanımlarıyla birebir uygulanmıştır; aynı çekilişlerde 10^{-12} içinde aynı sonucu verir (127.6.1, Tablo A). Tanı tablosunda dolaylı etkinin yanında doğrudan ve toplam etki satırları da gösterilir; özet satırındaki en büyük R̂ ve en küçük ESS bunları da içerir.

127.5.7 Savage–Dickey Bayes faktörü

Uygun (proper) önselli tek bir katsayı için (zayıf ya da kullanıcı önseli):

\text{BF}_{10}=\frac{p(\beta_j=0)}{p(\beta_j=0\mid\mathbf y)},\qquad \hat p(\beta_j=0\mid\mathbf y)=\frac1{CS}\sum_{c,s}\phi\Big(0;\ m_j^{(c,s)},\ v_j^{(c,s)}\Big)
  • Pay: önsel yoğunluğun 0'daki değeri, \phi(0;\mu_{0j},\sigma_{0j}^2).
  • Payda: sonsal yoğunluğun 0'daki Rao–Blackwell kestirimi; m_j^{(c,s)} ve v_j^{(c,s)}, o çekilişteki \boldsymbol\beta\mid\sigma^2 (lojitte \boldsymbol\beta\mid\boldsymbol\omega) koşullu normalinin j. bileşeninin ortalaması ve varyansı (706–716).
  • Düz önselde pay tanımsızdır; BF gösterilmez. Dolaylı etki (çarpım) için Savage–Dickey tanımlı değildir.
  • Çıktıda 10^6 üzeri "> 10⁶", 10^{-4} altı "< 0.0001" basılır (panel _bf, 359–370).

Neden Rao–Blackwell?

Sonsal yoğunluğu 0'da çekilişlerin histogramından ya da çekirdek kestirimiyle bulmak gürültülüdür, özellikle 0 sonsalın kuyruğundaysa. Gibbs örnekleyicisi her adımda \beta_j'nin koşullu dağılımını kapalı biçimde bildiği için bu koşullu yoğunlukların ortalaması alınır; varyansı çok daha küçüktür. 0 çok uzak kuyruktaysa (Tıp örneğinde a için 19 sonsal SS) yoğunluk kestirimi yine kararsızdır; BF zaten "> 10⁶" basılır.

127.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/bayesian_mediation/elle_hesap.py ile hesaplanmıştır; MerQur'u çağırmaz. Betik (1) MerQur'un tanımladığı Gibbs örnekleyicisini aynı tohumla yeniden yazar, (2) düz önselde kesin sonsalı t dağılımlarıyla, (3) normal önsellerde kesin sonsalı \log\sigma^2 üzerinde tek boyutlu integralle hesaplar, (4) ikili Y'de MCMC'den bağımsız önem örneklemesi yapar.

Adım 1 — OLS ve kesin düz sonsal. M denklemi (n = 200, p = 2): \hat a=1{,}469160, s_a=0{,}076947 (s^2=\text{RSS}/198). Sonsal a\sim t_{198}(1{,}469160;\,0{,}076947): SS =0{,}076947\sqrt{198/196}=0{,}077338; %95 İA 1{,}469160\pm1{,}972017\times0{,}076947=[1{,}317419;\ 1{,}620900]. Y denklemi (p = 3): \hat b=-0{,}096355 (sonsal SS 0,185605, İA [−0,460520; 0,267810]), \hat c'=0{,}844207 (SS 0,338735, İA [0,179594; 1,508820]).

Adım 2 — Dolaylı etkinin kesin sonsalı. a ve b bağımsız t'lerdir:

E(ab)=\hat a\hat b=1{,}469160\times(-0{,}096355)=-0{,}141561,\qquad \operatorname{SS}(ab)=\sqrt{V_aV_b+\hat a^2V_b+\hat b^2V_a}=0{,}273162

Yüzdelikler P(ab\le q)=\int f_a(a)\,F_b(q/a)\,da (a>0 bölgesinde) integralinin kökleridir: %95 İA [−0,679248; 0,393909], medyan −0,141167. P(ab>0)=P(a>0)P(b>0)+P(a<0)P(b<0)=0{,}301199; a'nın sonsalı tümüyle pozitif olduğu için bu, P(b>0)'a eşittir.

Adım 3 — MCMC (4 × 5000, tohum 42). Aynı tohumla yeniden yazılmış örnekleyici MerQur'un çekilişlerini 10^{-15} içinde üretir. ab için: ortalama −0,139494 (MCSE 0,001929), SS 0,272617, %95 İA [−0,674466; 0,392255], HDI [−0,670845; 0,395770], P(>0)=0{,}30335. Kesin değerden sapma ortalamada 1,07 MCSE'dir. HDI, dağılım sola çarpık olduğu için İA'ya göre sağa kaymıştır (Şekil 127.1).

Adım 4 — Tanılar. ab için yığın R̂ ve katlanmış R̂'nin büyüğü 1,000074; yığın ESS 19973, kuyruk ESS 19571 (20000 çekilişe yakın: Gibbs adımları burada neredeyse bağımsız). Tek zincirde (S=5000) iki yarım zincirle R̂ hesaplanır ve tek zincir notu basılır.

Adım 5 — Zayıf bilgili önsel. Önsel SS'leri: a için 2{,}5\times3{,}554710/1{,}947749=4{,}5626, b için 2{,}5\times5{,}638311/3{,}554710=3{,}9654, c' için 7,2370. Kesin sonsal (integral): E(a)=1{,}468738, E(b)=-0{,}095332. Savage–Dickey: BF₁₀(b) kesin 0,053237; MerQur'un Rao–Blackwell kestirimi 0,053245. Kullanıcı önseli b\sim N(0{,}1) ile BF₁₀(b) = 0,207494: önsel daraldıkça H_0'a karşı kanıt azalır.

Adım 6 — İkili Y (lojit). b (log-odds) MerQur'da −0,060095 (MCSE 0,000708); önem örneklemesinde (400000 çekiliş, etkin örneklem 307471) −0,060101; R'de BayesLogit Pólya–Gamma Gibbs ile (4 × 25000) −0,059714. Dolaylı etki ab (log-odds ölçeği) −0,088335, %95 İA [−0,3251; 0,1411].

127.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan alınmıştır; motor özetleri yuvarlamadan saklar (dogrulama/bayesian_mediation/merqur_calistir.py; çekilişler cekilis_<senaryo>.csv). Doğrulama üç katmanlıdır.

Tablo A — aynı tohum, deterministik. Python sütunu aynı tohumla yeniden yazılmış örnekleyici ve kendi özet/tanı kodudur (özkovaryans doğrudan toplamla, FFT'siz); R sütunu posterior 1.7.0 ve HDInterval ile MerQur'un çekilişleri üzerinde hesaplanmıştır.

Büyüklük MerQur Python (aynı tohum) R (MerQur çekilişi) En büyük fark Durum
düz, a: ortalama 1,468874 1,468874 1,468874 2,6e−15 ✓
düz, a: SS 0,078082 0,078082 0,078082 2,8e−17 ✓
düz, a: %2,5 1,314692 1,314692 1,314692 1,0e−15 ✓
düz, a: medyan 1,468580 1,468580 1,468580 4,5e−16 ✓
düz, a: %97,5 1,622470 1,622470 1,622470 1,6e−15 ✓
düz, a: HDI alt 1,319086 1,319086 1,319086 1,3e−15 ✓
düz, a: HDI üst 1,625887 1,625887 1,625887 4,1e−16 ✓
düz, a: P(>0) 1,000000 1,000000 — 0,0e+00 ✓
düz, a: R̂ 1,000181 1,000181 1,000181 4,0e−15 ✓
düz, a: ESS yığın 19765,163562 19765,163562 19765,163562 1,8e−15 ✓
düz, a: ESS kuyruk 19534,276151 19534,276151 19534,276151 1,1e−15 ✓
düz, a: MCSE 0,000555 0,000555 0,000555 4,3e−19 ✓
düz, b: ortalama −0,094927 −0,094927 −0,094927 0,0e+00 ✓
düz, b: SS 0,185311 0,185311 0,185311 8,3e−17 ✓
düz, b: %2,5 −0,456775 −0,456775 −0,456775 1,1e−16 ✓
düz, b: medyan −0,095416 −0,095416 −0,095416 2,8e−17 ✓
düz, b: %97,5 0,267187 0,267187 0,267187 2,2e−16 ✓
düz, b: HDI alt −0,457221 −0,457221 −0,457221 5,6e−17 ✓
düz, b: HDI üst 0,266223 0,266223 0,266223 2,8e−16 ✓
düz, b: P(>0) 0,303350 0,303350 — 0,0e+00 ✓
düz, b: R̂ 1,000062 1,000062 1,000062 4,0e−15 ✓
düz, b: ESS yığın 19964,653760 19964,653760 19964,653760 1,5e−15 ✓
düz, b: ESS kuyruk 19347,381308 19347,381308 19347,381308 1,7e−15 ✓
düz, b: MCSE 0,001312 0,001312 0,001312 2,2e−19 ✓
düz, c': ortalama 0,843647 0,843647 0,843647 2,2e−16 ✓
düz, c': SS 0,338761 0,338761 0,338761 3,3e−16 ✓
düz, c': %2,5 0,176524 0,176524 0,176524 2,2e−16 ✓
düz, c': medyan 0,840409 0,840409 0,840409 0,0e+00 ✓
düz, c': %97,5 1,512112 1,512112 1,512112 1,5e−16 ✓
düz, c': HDI alt 0,191872 0,191872 0,191872 3,1e−16 ✓
düz, c': HDI üst 1,523706 1,523706 1,523706 3,2e−15 ✓
düz, c': P(>0) 0,993850 0,993850 — 0,0e+00 ✓
düz, c': R̂ 1,000179 1,000179 1,000179 0,0e+00 ✓
düz, c': ESS yığın 20062,590287 20062,590287 20062,590287 1,3e−15 ✓
düz, c': ESS kuyruk 19630,714268 19630,714268 19630,714268 2,0e−15 ✓
düz, c': MCSE 0,002392 0,002392 0,002392 2,6e−18 ✓
düz, ab: ortalama −0,139494 −0,139494 −0,139494 4,7e−16 ✓
düz, ab: SS 0,272617 0,272617 0,272617 3,3e−16 ✓
düz, ab: %2,5 −0,674466 −0,674466 −0,674466 4,4e−16 ✓
düz, ab: medyan −0,139778 −0,139778 −0,139778 8,3e−17 ✓
düz, ab: %97,5 0,392255 0,392255 0,392255 4,4e−16 ✓
düz, ab: HDI alt −0,670845 −0,670845 −0,670845 0,0e+00 ✓
düz, ab: HDI üst 0,395770 0,395770 0,395770 3,9e−16 ✓
düz, ab: P(>0) 0,303350 0,303350 — 0,0e+00 ✓
düz, ab: R̂ 1,000074 1,000074 1,000074 2,7e−15 ✓
düz, ab: ESS yığın 19972,726579 19972,726579 19972,726579 3,6e−16 ✓
düz, ab: ESS kuyruk 19571,404039 19571,404039 19571,404039 1,3e−15 ✓
düz, ab: MCSE 0,001929 0,001929 0,001929 4,3e−18 ✓
düz, c'+ab: ortalama 0,704153 0,704153 0,704153 1,1e−16 ✓
düz, c'+ab: SS 0,201443 0,201443 0,201443 4,2e−16 ✓
düz, c'+ab: %2,5 0,310202 0,310202 0,310202 3,9e−16 ✓
düz, c'+ab: medyan 0,702776 0,702776 0,702776 2,2e−16 ✓
düz, c'+ab: %97,5 1,096008 1,096008 1,096008 2,8e−15 ✓
düz, c'+ab: HDI alt 0,290348 0,290348 0,290348 2,2e−16 ✓
düz, c'+ab: HDI üst 1,076136 1,076136 1,076136 4,5e−15 ✓
düz, c'+ab: P(>0) 0,999750 0,999750 — 0,0e+00 ✓
düz, c'+ab: R̂ 1,000236 1,000236 1,000236 3,6e−15 ✓
düz, c'+ab: ESS yığın 19620,836741 19620,836741 19620,836741 4,1e−15 ✓
düz, c'+ab: ESS kuyruk 19657,083615 19657,083615 19657,083615 1,7e−15 ✓
düz, c'+ab: MCSE 0,001438 0,001438 0,001438 3,7e−18 ✓
zayıf, a: ortalama 1,468452 1,468452 1,468452 1,2e−15 ✓
zayıf, a: SS 0,078071 0,078071 0,078071 2,8e−17 ✓
zayıf, a: %2,5 1,314339 1,314339 1,314339 1,0e−15 ✓
zayıf, a: medyan 1,468154 1,468154 1,468154 3,0e−16 ✓
zayıf, a: %97,5 1,622011 1,622011 1,622011 4,1e−16 ✓
zayıf, a: HDI alt 1,318820 1,318820 1,318820 1,7e−15 ✓
zayıf, a: HDI üst 1,625564 1,625564 1,625564 1,8e−15 ✓
zayıf, a: P(>0) 1,000000 1,000000 — 0,0e+00 ✓
zayıf, a: R̂ 1,000181 1,000181 1,000181 4,4e−15 ✓
zayıf, a: ESS yığın 19764,691597 19764,691597 19764,691597 7,4e−16 ✓
zayıf, a: ESS kuyruk 19513,913035 19513,913035 19513,913035 1,9e−15 ✓
zayıf, a: MCSE 0,000555 0,000555 0,000555 3,3e−19 ✓
zayıf, b: ortalama −0,093907 −0,093907 −0,093907 4,2e−17 ✓
zayıf, b: SS 0,184973 0,184973 0,184973 4,4e−16 ✓
zayıf, b: %2,5 −0,455015 −0,455015 −0,455015 1,7e−16 ✓
zayıf, b: medyan −0,094351 −0,094351 −0,094351 0,0e+00 ✓
zayıf, b: %97,5 0,267562 0,267562 0,267562 5,6e−17 ✓
zayıf, b: HDI alt −0,456084 −0,456084 −0,456084 3,3e−16 ✓
zayıf, b: HDI üst 0,266103 0,266103 0,266103 1,7e−16 ✓
zayıf, b: P(>0) 0,305050 0,305050 — 0,0e+00 ✓
zayıf, b: R̂ 1,000062 1,000062 1,000062 8,9e−16 ✓
zayıf, b: ESS yığın 19964,453511 19964,453511 19964,453511 2,9e−15 ✓
zayıf, b: ESS kuyruk 19347,381308 19347,381308 19347,381308 1,7e−15 ✓
zayıf, b: MCSE 0,001309 0,001309 0,001309 4,8e−18 ✓
zayıf, c': ortalama 0,841500 0,841500 0,841500 0,0e+00 ✓
zayıf, c': SS 0,338145 0,338145 0,338145 5,6e−17 ✓
zayıf, c': %2,5 0,175373 0,175373 0,175373 2,2e−16 ✓
zayıf, c': medyan 0,838319 0,838319 0,838319 1,1e−16 ✓
zayıf, c': %97,5 1,509402 1,509402 1,509402 2,4e−15 ✓
zayıf, c': HDI alt 0,190212 0,190212 0,190212 3,6e−16 ✓
zayıf, c': HDI üst 1,520340 1,520340 1,520340 0,0e+00 ✓
zayıf, c': P(>0) 0,993850 0,993850 — 0,0e+00 ✓
zayıf, c': R̂ 1,000179 1,000179 1,000179 0,0e+00 ✓
zayıf, c': ESS yığın 20062,428423 20062,428423 20062,428423 3,6e−16 ✓
zayıf, c': ESS kuyruk 19631,267631 19631,267631 19631,267631 2,4e−15 ✓
zayıf, c': MCSE 0,002388 0,002388 0,002388 1,3e−18 ✓
zayıf, ab: ortalama −0,137956 −0,137956 −0,137956 5,0e−16 ✓
zayıf, ab: SS 0,272039 0,272039 0,272039 4,4e−16 ✓
zayıf, ab: %2,5 −0,671738 −0,671738 −0,671738 4,4e−16 ✓
zayıf, ab: medyan −0,138301 −0,138301 −0,138301 1,9e−16 ✓
zayıf, ab: %97,5 0,392679 0,392679 0,392679 1,1e−16 ✓
zayıf, ab: HDI alt −0,668567 −0,668567 −0,668567 3,3e−16 ✓
zayıf, ab: HDI üst 0,395776 0,395776 0,395776 4,4e−16 ✓
zayıf, ab: P(>0) 0,305050 0,305050 — 0,0e+00 ✓
zayıf, ab: R̂ 1,000073 1,000073 1,000073 2,2e−15 ✓
zayıf, ab: ESS yığın 19972,132590 19972,132590 19972,132590 1,6e−15 ✓
zayıf, ab: ESS kuyruk 19571,404039 19571,404039 19571,404039 1,3e−15 ✓
zayıf, ab: MCSE 0,001925 0,001925 0,001925 2,6e−18 ✓
zayıf, c'+ab: ortalama 0,703544 0,703544 0,703544 4,4e−16 ✓
zayıf, c'+ab: SS 0,201358 0,201358 0,201358 5,0e−16 ✓
zayıf, c'+ab: %2,5 0,309585 0,309585 0,309585 5,6e−17 ✓
zayıf, c'+ab: medyan 0,702131 0,702131 0,702131 0,0e+00 ✓
zayıf, c'+ab: %97,5 1,095267 1,095267 1,095267 1,2e−15 ✓
zayıf, c'+ab: HDI alt 0,309499 0,309499 0,309499 5,6e−17 ✓
zayıf, c'+ab: HDI üst 1,095056 1,095056 1,095056 8,1e−16 ✓
zayıf, c'+ab: P(>0) 0,999750 0,999750 — 0,0e+00 ✓
zayıf, c'+ab: R̂ 1,000234 1,000234 1,000234 4,4e−15 ✓
zayıf, c'+ab: ESS yığın 19621,353449 19621,353449 19621,353449 3,2e−15 ✓
zayıf, c'+ab: ESS kuyruk 19529,062121 19529,062121 19529,062121 5,6e−16 ✓
zayıf, c'+ab: MCSE 0,001437 0,001437 0,001437 1,3e−18 ✓

Python sütunu MerQur'un tanımladığı Gibbs örnekleyicisinin aynı tohumla yeniden yazılmış kopyasıdır; özetler ve tanılar ayrı kodla (doğrudan özkovaryans) hesaplanmıştır. R sütunu posterior 1.7.0 (rhat, ess_bulk, ess_tail, mcse_mean) ve HDInterval::hdi ile MerQur'un çekilişleri üzerinde hesaplanmıştır. ESS satırlarında ölçek > 1 olduğundan fark görelidir.

Tablo B — MCMC ile kesin sonsal. Python ve R kesin sonsalı ayrı yollarla hesaplar ve birbirleriyle 10^{-12} içinde aynıdır; MerQur'un MCMC kestirimi kesin değerden en çok 4 MCSE uzak olmalıdır.

Büyüklük MerQur (MCMC) Python (kesin) R (kesin) Python–R farkı MerQur sapması (MCSE) Durum
düz, a: ortalama 1,468874 1,469160 1,469160 5,6e−15 0,51 ✓
düz, a: SS 0,078082 0,077338 0,077338 5,6e−17 1,88 ✓
düz, a: %2,5 1,314692 1,317419 1,317419 1,3e−13 1,52 ✓
düz, a: %97,5 1,622470 1,620900 1,620900 1,2e−13 1,02 ✓
düz, b: ortalama −0,094927 −0,096355 −0,096355 2,4e−13 1,09 ✓
düz, b: SS 0,185311 0,185605 0,185605 7,5e−16 0,31 ✓
düz, b: %2,5 −0,456775 −0,460520 −0,460520 7,0e−13 0,99 ✓
düz, b: %97,5 0,267187 0,267810 0,267810 2,2e−13 0,16 ✓
düz, c': ortalama 0,843647 0,844207 0,844207 4,1e−13 0,23 ✓
düz, c': SS 0,338761 0,338735 0,338735 8,3e−16 0,01 ✓
düz, c': %2,5 0,176524 0,179594 0,179594 4,2e−13 0,39 ✓
düz, c': %97,5 1,512112 1,508820 1,508820 8,2e−13 0,55 ✓
düz, ab: ortalama −0,139494 −0,141561 −0,141561 3,5e−13 1,07 ✓
düz, ab: SS 0,272617 0,273162 0,273162 2,2e−15 0,38 ✓
düz, ab: %2,5 −0,674466 −0,679248 −0,679248 3,6e−13 0,72 ✓
düz, ab: %97,5 0,392255 0,393909 0,393909 4,7e−13 0,30 ✓
düz, ab: medyan −0,139778 −0,141167 −0,141167 3,6e−13 0,50 ✓
düz, c'+ab: ortalama 0,704153 0,702646 0,702646 5,8e−14 1,05 ✓
düz, c'+ab: SS 0,201443 0,201611 0,201611 1,8e−15 0,17 ✓
düz, c'+ab: %2,5 0,310202 0,307074 0,307074 5,5e−14 0,79 ✓
düz, c'+ab: %97,5 1,096008 1,098218 1,098218 1,8e−14 0,57 ✓
düz, c'+ab: medyan 0,702776 0,702646 0,702646 5,2e−14 0,08 ✓
düz, σ (M denklemi): ortalama 2,123462 2,122272 2,122272 2,5e−15 1,53 ✓
düz, σ (Y denklemi): ortalama 5,515901 5,514619 5,514619 1,6e−16 0,63 ✓
zayıf, a: ortalama 1,468452 1,468738 1,468738 8,0e−15 0,52 ✓
zayıf, a: SS 0,078071 0,077327 0,077327 4,6e−14 1,88 ✓
zayıf, a: %2,5 1,314339 1,317013 1,317013 5,4e−15 1,48 ✓
zayıf, a: %97,5 1,622011 1,620450 1,620450 1,1e−14 1,03 ✓
zayıf, b: ortalama −0,093907 −0,095332 −0,095332 1,0e−13 1,09 ✓
zayıf, b: SS 0,184973 0,185265 0,185265 1,9e−14 0,30 ✓
zayıf, b: %2,5 −0,455015 −0,458813 −0,458813 6,6e−14 1,00 ✓
zayıf, b: %97,5 0,267562 0,268178 0,268178 1,4e−13 0,16 ✓
zayıf, ab: ortalama −0,137956 −0,140018 −0,140018 1,5e−13 1,07 ✓
zayıf, ab: SS 0,272039 0,272583 0,272583 2,7e−14 0,38 ✓
zayıf, BF₁₀ (b) 0,053245 0,053237 0,053237 7,7e−15 1,6e−04 (göreli) ✓
zayıf, BF₁₀ (c') 1,031348 1,032716 1,032716 1,9e−12 1,3e−03 (göreli) ✓
kullanıcı, a: ortalama 1,460130 1,460425 1,460425 3,5e−15 0,53 ✓
kullanıcı, a: SS 0,077854 0,077112 0,077112 4,3e−14 1,88 ✓
kullanıcı, a: %2,5 1,306573 1,309005 1,309005 2,2e−15 1,38 ✓
kullanıcı, a: %97,5 1,612901 1,611595 1,611595 6,3e−15 0,86 ✓
kullanıcı, b: ortalama −0,091745 −0,093148 −0,093148 1,0e−13 1,09 ✓
kullanıcı, b: SS 0,182158 0,182443 0,182443 1,3e−14 0,30 ✓
kullanıcı, b: %2,5 −0,447134 −0,451041 −0,451041 7,5e−14 1,15 ✓
kullanıcı, b: %97,5 0,264281 0,264832 0,264832 1,2e−13 0,15 ✓
kullanıcı, ab: ortalama −0,134016 −0,136035 −0,136035 1,5e−13 1,07 ✓
kullanıcı, ab: SS 0,266380 0,266912 0,266912 1,7e−14 0,38 ✓
kullanıcı, BF₁₀ (b) 0,207525 0,207494 0,207494 3,1e−13 1,5e−04 (göreli) ✓

Kesin sonsal: düz önselde çok değişkenli t (Python scipy.integrate.quad, R integrate); zayıf ve kullanıcı önselinde \log\sigma^2 üzerinde tek boyutlu integral (Python Simpson, 6001 nokta; R uyarlamalı integrate). MerQur sapması = |MCMC − kesin| / MCSE; MCSE posterior::mcse_mean, mcse_sd, mcse_quantile ile MerQur'un çekilişlerinden. Ölçüt: Python–R ≤ 10⁻⁶ ve sapma ≤ 4. BF₁₀ satırlarında ölçüt, Rao–Blackwell kestiriminin kesin değere göreli farkı ≤ 2·10⁻³'tür. a yolunun BF₁₀'u (kesin değer ~10⁴³) MerQur'da "> 10⁶" basıldığı için tabloya alınmamıştır.

Tablo C — ikili Y (lojit), üç bağımsız örnekleyici.

Büyüklük MerQur (PG Gibbs) Python (önem örneklemesi) R (BayesLogit PG Gibbs) z (M–P / M–R) Durum
lojit b: ortalama −0,060095 −0,060101 −0,059714 0,01 / 0,49 ✓
lojit c': ortalama 0,377225 0,376295 0,376096 0,64 / 0,62 ✓
lojit ab: ortalama −0,088335 −0,088280 −0,087731 0,04 / 0,41 ✓

İkili Y: kb_yuksek = 1{systolic_bp ≥ 113}. Python: MAP çevresinde çok değişkenli t_6 önerisiyle 400000 çekilişlik önem örneklemesi; R: BayesLogit::rpg ile 4 × 25000 Pólya–Gamma Gibbs. z, iki kestirim farkının birleşik Monte Carlo SH'sine oranıdır; ölçüt z ≤ 4. c' satırında öteki iki yöntemin MCSE'si yaklaşık (b'nin MCSE'sinin 4 katı) alınmıştır.

170 satırın tümü ölçütü karşılar. MCMC sapmaları 0,01–1,88 MCSE arasındadır; aynı tohumlu çekilişler bütün satırlarda ortak olduğu için (a'nın SS'si gibi) birkaç satırın birlikte 1,5–1,9 MCSE sapması tek bir rastgele dalgalanmadır.

Şekil 127.1. Tıp 51'de dolaylı etki ab'nin sonsal dağılımı: MerQur'un 20000 çekilişi (histogram) ve kesin sonsal yoğunluk (çizgi). Noktalı çizgiler %95 eşit kuyruklu İA, kesikli çizgiler %95 HDI.

127.7 Çıktıyı okuma

Sonuç metni (varsayılan ayarlar, kısaltılmış):

══ Bayesçi Aracılık Analizi ══
Model 4: paralel aracılar (X → M₁…Mₖ → Y)
X = stress_PSS · M = cortisol_ng_mL · Y = systolic_bp
Önsel: Bilgisiz (düz)
Örnekleyici: Gibbs (koşullu normal β ve ters gama σ² adımları)
MCMC: 4 zincir × 5000 yineleme (ısınma 1000, inceltme 1) → 20000 sonsal çekiliş; tohum 42
Yakınsama: en büyük R̂ = 1.000; en küçük etkin örneklem büyüklüğü = 19201
── Dolaylı etkiler (sonsal) ──
Etki                                                Ort.   Medyan      SS  %95 İA alt  %95 İA üst  HDI alt  HDI üst   P(>0)
Ind1: stress_PSS → cortisol_ng_mL → systolic_bp  -0.1395  -0.1398  0.2726     -0.6745      0.3923  -0.6708   0.3958  0.3034
── Doğrudan ve toplam etki ──
Doğrudan etki (stress_PSS → systolic_bp)  0.8436  0.8404  0.3388      0.1765      1.5121   0.1919   1.5237  0.9939
Toplam etki (doğrudan + dolaylı)          0.7042  0.7028  0.2014      0.3102      1.0960   0.2903   1.0761  0.9998
── Denklem: cortisol_ng_mL — sürekli (doğrusal regresyon) ──
stress_PSS     1.4689   1.4686  0.0781      1.3147      1.6225   1.3191   1.6259  1.0000     —
── Denklem: systolic_bp — sürekli (doğrusal regresyon) ──
stress_PSS        0.8436    0.8404  0.3388      0.1765      1.5121    0.1919    1.5237  0.9939     —
cortisol_ng_mL   -0.0949   -0.0954  0.1853     -0.4568      0.2672   -0.4572    0.2662  0.3034     —
── Yakınsama tanıları ──
Ind1: stress_PSS → cortisol_ng_mL → systolic_bp  1.000        19973         19571      0.00193
Öğe Ne yazar Nasıl yorumlanır
Dolaylı etkiler Ortalama, medyan, SS, İA, HDI, P(>0) İA sıfırı içermiyorsa aracılık için sonsal kanıt; P(>0) etkinin pozitif olma olasılığı.
Doğrudan ve toplam etki Aynı özetler İkili Y'de toplam etki yok.
Denklem tabloları Katsayıların sonsal özetleri, \sigma, BF₁₀ BF₁₀ yalnız uygun önselli katsayılarda; >3 ılımlı, >10 güçlü kanıt (gelenek).
Yakınsama tanıları R̂, ESS (yığın, kuyruk), MCSE R̂ ≤ 1,01 ve ESS ≥ 400 beklenir; MCSE, sonsal ortalamanın kaç ondalığa güvenilebileceğini gösterir.
Notlar (⚠) Önsel, BF, ölçek, kodlama, yakınsama Koşulları: zayıf önsel notu (726–727), BF notu (728–731), ikili Y ölçek ve kodlama notu (804–808), R̂/ESS eşikleri (827–830), tek zincir (831–832).
Yorum ve APA özeti Otomatik cümleler Sonsal ortalama, İA ve P(>0) ile.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Algılanan stresin kortizol üzerinden sistolik kan basıncına dolaylı etkisi Bayesçi aracılık analiziyle kestirildi (Yuan ve MacKinnon 2009; düz önsel, 4 zincir × 5000 yineleme, ısınma 1000; tüm R̂ ≤ 1,001, en küçük ESS = 19201; N = 200). Stres kortizolü artırdı (a = 1,47, %95 İA [1,31; 1,62]), ancak kortizolün kan basıncıyla ilişkisi belirsizdi (b = −0,09, %95 İA [−0,46; 0,27]). Dolaylı etkinin sonsal ortalaması −0,14 mmHg/puan, %95 İA [−0,67; 0,39], P(ab > 0) = 0,30 bulundu; kortizol üzerinden aracılık için sonsal kanıt yoktu. Doğrudan etki pozitifti (c' = 0,84, %95 İA [0,18; 1,51], P(c' > 0) = 0,994).

127.8 Uzman soruları

S1. Düz önselde bu analiz sıklıkçı aracılıktan ne farklı söyler?

Sayısal olarak az: sonsal ortalamalar OLS kestirimleri, a ve b İA'ları t GA'larıdır; ab'nin İA'sı, iki bağımsız t'nin çarpım dağılımının yüzdelikleridir ve Monte Carlo GA'sına çok yakındır. Fark yorumdadır: İA "parametrenin bu aralıkta olma olasılığı %95" diye okunur ve P(ab>0) doğrudan raporlanabilir.

S2. P(ab>0) neden P(b>0) ile aynı çıktı?

a'nın sonsal kütlesi tümüyle pozitif (P(a>0)=1); bu durumda ab'nin işareti b'ninkine eşittir. a sıfıra yakın olsaydı P(ab>0)=P(a>0)P(b>0)+P(a<0)P(b<0) formülündeki iki terim de katkı verirdi.

S3. Dolaylı etki için neden Bayes faktörü yok?

Savage–Dickey oranı tek bir parametrenin bir noktasal değeri için geçerlidir ve parametrenin önseli uygun olmalıdır. ab=0 hipotezi a=0 ya da b=0'ın birleşimidir; çarpımın önsel yoğunluğu 0'da sonsuza gider (iki normal çarpımının yoğunluğu 0'da logaritmik tekilliktir). MerQur bu yüzden yalnız tek katsayılar için BF verir.

S4. Zayıf önsel BF₁₀(b) = 0,053, kullanıcı önseli N(0{,}1) ile 0,207. Hangisi doğru?

İkisi de doğrudur; Bayes faktörü önselin genişliğine duyarlıdır (Lindley paradoksu). Geniş önsel (SS 3,97) H_1 altında büyük etkilere olasılık verir, veriyle uyumlu küçük etkiler için önsel yoğunluk düşer ve BF H_0 lehine kayar. Önsel genişliği raporlanmalı ve BF bir duyarlılık aralığında verilmelidir.

S5. R̂ neden 1,000 ve ESS neden çekiliş sayısına yakın?

Sürekli denklemde \boldsymbol\beta ve \sigma^2 iki blok hâlinde çekilir; n=200'de \sigma^2'nin koşullu dağılımı çok dardır ve \boldsymbol\beta çekilişleri neredeyse bağımsızdır. Özilinti ihmal edilebilir; ESS ≈ CS. Lojitte Pólya–Gamma adımı daha fazla özilinti üretir (ESS 12224), ama yine yüksektir.

S6. MerQur'un R̂'ı Stan/ArviZ ile karşılaştırılabilir mi?

Evet. Tanım Vehtari ve arkadaşlarının (2021) sıra-normalleştirilmiş bölünmüş R̂'ıdır (yığın ve katlanmış R̂'nin büyüğü); R posterior paketi MerQur'un çekilişlerinde aynı değerleri 10^{-12} içinde verir. Eski Gelman–Rubin R̂'ı (bölünmemiş, sıra dönüşümsüz) bundan biraz küçüktür.

S7. Lojit ve probit dolaylı etkileri karşılaştırılabilir mi?

Doğrudan değil: lojit katsayıları probit katsayılarının yaklaşık 1,6–1,8 katıdır (gizil değişkenin SS'si \pi/\sqrt3'e karşı 1). İki ölçekte de ab, X'in M üzerinden gizil Y ölçeğindeki etkisidir; olasılık ölçeğinde aracılık için koşullu olasılık farkları hesaplanmalıdır. MerQur sonuçları gizil ölçekte verir ve bunu notla belirtir.

S8. Tek zincirle çalıştırmak yeterli mi?

Tek zincirde R̂ yalnız zincirin iki yarısını karşılaştırır; farklı başlangıç noktalarından gelen zincirlerin aynı dağılıma ulaşıp ulaşmadığını sınayamaz. Bu doğrusal modelde sonsal tek tepelidir ve sorun çıkmaz (R̂ 1,0004), ama MerQur not basar; raporlarda en az 4 zincir önerilir.

127.9 Sık hatalar ve tuzaklar

  • İA'yı GA gibi yorumlamak ya da tersine. İnanılırlık aralığı sonsal olasılık ifadesidir; "aracılık anlamlı" yerine "dolaylı etkinin %95 İA'sı sıfırı içermiyor" yazılır.
  • Düz önselle BF beklemek. Düz önselde Bayes faktörü tanımsızdır ve gösterilmez; BF için zayıf ya da kullanıcı önseli gerekir.
  • Kullanıcı önselinin tüm katsayılara uygulandığını sanmak. Yalnız a ve b yollarına uygulanır; seri modelde aracılar arası yol, kovaryatlar ve çarpım terimleri düz kalır.
  • İkili Y'de toplam etki aramak. Lojit/probit ölçeğinde doğrudan ve dolaylı etki toplanamaz; MerQur toplam etkiyi vermez.
  • Yakınsama notunu görmezden gelmek. R̂ > 1,01 ya da ESS < 400 ise yineleme sayısı artırılmalı; inceltme ESS'yi artırmaz, yalnız bellek tasarrufu sağlar.
  • Önsel ölçeğini değişken birimini unutarak seçmek. Kullanıcı önseli ham birimdedir: a\sim N(0{,}1), "1 PSS puanı kortizolü ±2 ng/mL'den fazla değiştirmez" demektir. Değişkenler standartlaştırılmadan önsel seçilmemelidir.
  • Sonuç metnindeki 4 ondalığı kesin sanmak. MCSE (ör. ab için 0,0019) ortalamanın üçüncü ondalığının belirsiz olduğunu gösterir; aynı tohum aynı sonucu verir, başka tohum küçük farklar verir.
  • İkili aracı kullanmak. Aracı denklemi doğrusaldır; 0/1 aracı hata verir.

127.10 Kaynaklar

  • Albert, J. H., & Chib, S. (1993). Bayesian analysis of binary and polychotomous response data. Journal of the American Statistical Association, 88(422), 669–679. https://doi.org/10.1080/01621459.1993.10476321
  • Chen, M.-H., & Shao, Q.-M. (1999). Monte Carlo estimation of Bayesian credible and HPD intervals. Journal of Computational and Graphical Statistics, 8(1), 69–92. https://doi.org/10.1080/10618600.1999.10474802
  • Devroye, L. (2009). On exact simulation algorithms for some distributions related to Jacobi theta functions. Statistics & Probability Letters, 79(21), 2251–2259. https://doi.org/10.1016/j.spl.2009.07.028
  • Gelman, A., Jakulin, A., Pittau, M. G., & Su, Y.-S. (2008). A weakly informative default prior distribution for logistic and other regression models. The Annals of Applied Statistics, 2(4), 1360–1383. https://doi.org/10.1214/08-AOAS191
  • 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
  • Geyer, C. J. (1992). Practical Markov chain Monte Carlo. Statistical Science, 7(4), 473–483. https://doi.org/10.1214/ss/1177011137
  • Miočević, M., MacKinnon, D. P., & Levy, R. (2017). Power in Bayesian mediation analysis for small sample research. Structural Equation Modeling, 24(5), 666–683. https://doi.org/10.1080/10705511.2017.1312407
  • Polson, N. G., Scott, J. G., & Windle, J. (2013). Bayesian inference for logistic models using Pólya–Gamma latent variables. Journal of the American Statistical Association, 108(504), 1339–1349. https://doi.org/10.1080/01621459.2013.829001
  • 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., Lodewyckx, T., Kuriyal, H., & Grasman, R. (2010). Bayesian hypothesis testing for psychologists: A tutorial on the Savage–Dickey method. Cognitive Psychology, 60(3), 158–189. https://doi.org/10.1016/j.cogpsych.2009.12.001
  • Yuan, Y., & MacKinnon, D. P. (2009). Bayesian mediation analysis. Psychological Methods, 14(4), 301–322. https://doi.org/10.1037/a0016972