问题标签 [hierarchical-bayesian]

在这里是新的，并通过各种参考资料中的示例进行工作。我已经看到了在 PyMC3 中使用分类变量构建分层模型的多种方法。作为一个玩具示例，假设我有一个收集过度分散的计数数据（例如消耗的单位）的系统，这些数据可以分解为多个阶段，与某个可用的地理层次结构（例如本地、区域等）相关联，以及在哪里是为影响计数结果而实施的多个过程。

我将以下模型结构放在一起，认为我可以分别对每个流程进行建模——尽管添加“流程”也会更有效。我已经在网上和参考资料中看到过这种结构的例子。

这是构建模型的有效方法吗？它使用组成的数据进行精细采样并提供感兴趣的输出 - 描述每个分类变量的 μ 周围的不确定性。

那么这三个变量呢？不幸的是，这三个变量一直在杀死我的内核。

我想使用两个分类因素（conditionStimuli = 3 个级别；sequenceTrials = 2 个级别）创建一个关于反应时间的贝叶斯层次模型。最初，我使用默认先验运行模型：

summary() 函数报告这些：我是否应该通过查看 1-95%/u-95% 值来删除与 0 相同的交互？

还有这些问题：

是否有可能（或有意义）在结果变量上设置先验（反应时间：前高斯）？

在预测变量上，什么类型的先验是合适的？

谢谢，

数据如下所示：

贝叶斯分析的点估计让我有些困惑：

我们应该对贝叶斯回归参数的点估计使用后验均值还是众数（如果分布不对称）？我已经阅读了一些使用后验均值的论文，我想它在渐近收敛方面有一些优势。但天真地讲，从“最有可能被选择”的角度来看，模式不应该是一个更合理的选择吗？

我只有一点使用 Stan 的经验，并且正在尝试构建一个分层模型。我遇到了一个我以前从未见过的错误，这对我来说完全没有信息。有人知道这里发生了什么吗？我的代码和错误消息如下。