问题标签 [credible-interval]

我需要从我的模型中提取随机效应的后验估计和区间。

出于说明目的，与我正在使用的数据集类似的数据集将是ChickWeightbase R中的数据集。

我为我的固定效应提取后验估计和区间的方式是这样的：

当我尝试使用随机效应 ( Chick) 时，我在第二行代码中收到以下错误：

mcmc.list(x) 中的错误：参数必须是 mcmc 对象

关于如何修改代码以提取这些值以获得随机效应的任何建议？

其他用户注意：如果模型是 MCMCglmm 模型，则可以像这样提取随机效应的 MCMC 输出的后验模式值：

由于高斯过程返回的是分布而不是点估计，为什么这个例子（实际上是在每个 GP 例子中）谈论贝叶斯统计类似物可信区间的置信区间？

我通常使用lme4包，但glmmTMB包越来越适合处理高度复杂的数据（想想过度分散和/或零通货膨胀）。

glmmTMB有没有一种方法可以从模型中提取后验模式和可信区间，类似于对lme4模型的处理方式（例如此处）。

细节：

我正在使用零膨胀和过度分散且具有随机效应的计数数据（可在此处获得）。最适合处理此类数据的包是glmmTMB（详情请点击此处）。（注意两个异常值：euc0==78和np_other_grass==20）。

数据如下所示：

glmmTMB型号：

我通常如何提取lmer/glmer模型的后验模式和可信区间：

我已经获得了 d 部分的后验密度：$2 theta^{-1}(1-theta)^{-1}$。如何在 R 中绘制分布以找到 l 和 u 使得 $F_{theta| x} (l) = 0.025$ 和 $F_{theta| x} (u) = 0.975 美元？（等尾区间）

我目前知道如何pbcor从WRS2包中提取强大的相关性。此函数计算估计的稳健相关性周围的 95% 引导置信区间。为了与我的其他分析和手稿保持一致，我需要提取可信区间而不是置信区间。

如何提取 95%的可信区间，而不是95% 的置信区间？有没有办法做到这一点pbcor？

我的数据集包含 210 个观察值，但这里是数据的一个子集：

对应代码：

我正在尝试使用 R 中“mcp”包的输出在同一图表上绘制 95% 的可信区间和 50% 中位数的线。我使用 mcp 包对不同的残差尺度进行建模（即，准模拟) 用于具有已知断点的三个细分市场（2013 年和 2017 年）。但是，我似乎无法使用模型中的 q_fit 在同一图上同时拟合 CI 和 50% 中位数的线。我在下面包含了一些示例代码。我的最终目标是用一条分段线表示模型中 50% 的分位数，并带有上下 CI。我在下面包含了一些示例数据和代码，以及我想组合的单独图。

第一个具有 95% CI 的图

50% 分位数线

我需要为我的数据获取/计算 95% 的可信区间。我的数据由十列和超过 5000 行组成。这是一些示例数据。

我只是不确定要使用哪个函数，因为我每次都会得到不同的结果，而且它一次只能处理一列。我尝试了以下功能：

和

有没有其他人遇到过同样的问题？

如果我使用“发现”中的数据，我如何找到例如 80%、90% 和 95% 的可信区间并将它们绘制在置信曲线中？

通过使用summary(discoveries)i 意味着 a = 3.1，样本大小 n = 310 和标准偏差 s =2.5

我可以执行以下操作来找到 90% 吗？如果是这样，我如何绘制从几个 % 获得的数据？（80%、90%、95% 等）

我想知道是否有人知道可靠且快速的分析 HDI 计算，最好是用于 beta 函数。

HDI的定义在这个称为“最高后密度区域”的问题中。

我正在寻找具有以下 I/O 的函数：

输入

• credMass- 可信区间质量（例如，0.9595% 可信区间）
• a- 形状参数（例如，HEADS 硬币投掷次数）
• b- 形状参数（例如，TAILS 掷硬币的次数）

输出

• ci_min- 质量的最小界限（到 之间0.的值ci_max）
• ci_max- 质量的最大界限（到 之间ci_min的值1.）

解决这个问题的一种方法是加速我在同一个问题中找到的这个脚本（从 R 改编为 Python），并取自 John K. Kruschke 的《做贝叶斯数据分析》一书）。我用过这个解决方案，相当可靠，但是多次调用有点太慢了。加速 100 倍甚至 10 倍将非常有帮助！

用法

print HDIofICDF(beta, credMass=0.95, a=5, b=4)

警告！一些解决方案将此 HDI 与等尾区间解决方案（上述问题称为“中央可信区域”）混淆，后者更容易计算，但不回答相同的问题。（例如，参见 Kruschke 的Why HDI and not equal-tailed interval?）

此外，这个问题不涉及我在 PyMC3 中看到的 MCMC 方法（pymc3.stats.hpd(a)其中a是随机变量样本），而是涉及分析解决方案。

谢谢！

使用我的数据，我使用 VGAM 包创建了对数刻度（限制/比例赔率）累积概率和无限制累积概率，如下所示（使用模拟数据进行）：

我也想绘制 95% 的可信区间，但我不知道如何。我了解confintvglm计算它，但我不确定如何正确使用和绘制它。