6

假设我有一个混合效应模型的以下公式：

Performance ~ 1 + WorkingHours + Tenure + (1 + WorkingHours + Tenure || JobClass)

然后我可以将固定斜率和固定截距的先验指定为：

prior = normal(c(mu1,mu2), c(sd1,sd2), autoscale = FALSE)
prior_intercept = normal(mean, scale, autoscale = FALSE)

但是我如何指定随机斜率的先验并使用截距

prior_covariance = decov(regularization, concentration, shape, scale)

（或者）

lkj(regularization, scale, df)

如果我知道斜率和截距之间的方差以及它们之间的相关性。我无法理解如何为上述混合效果公式指定参数。

4

1 回答 1

1

因为您使用的是贝叶斯模型，所以您不会指定相关性或方差。您将通过给出几个参数的值来指定协方差矩阵的似然分布（通过相关矩阵和方差向量）。

该regularization参数是一个正实值，它确定事物关联的可能性。值 1 是一种“一切皆有可能”的选项（这是默认值）。大于 1 的值意味着您认为几乎没有相关性（如果有的话）。小于 1 的值意味着您认为存在很多相关性。

该scale参数与方差的总和有关。特别地，尺度参数等于平均方差的平方根。

该concentration参数用于控制总方差在不同变量之间的分布方式。值 1 表示您没有期望。较大的值表示您认为变量在总方差中具有相似的比例。介于 0 和 1 之间的值意味着您认为存在不同的贡献。

该shape参数用于作为先验的 Gamma 分布scale。

然后，最后，df是您先前的自由度。

因此，decov它们lkj都为您提供了一种不同的方式来表达您对协方差矩阵属性的期望，但它们不会让您指定您认为哪些特定变量与哪些其他特定变量相关。它应该将其作为模型拟合过程的一部分来决定。

这全部来自rstanarm 文档

于 2020-06-23T01:44:59.930 回答