我执行了 MCMCglmm(MCMCglmm 封装)。这是该模型的摘要
Iterations = 3001:12991
Thinning interval = 10
Sample size = 1000
DIC: 211.0108
G-structure: ~Region
post.mean l-95% CI u-95% CI eff.samp
Region 0.2164 5.163e-17 0.358 1000
R-structure: ~units
post.mean l-95% CI u-95% CI eff.samp
units 0.5529 0.1808 1.045 449.3
Location effects: Abondance ~ Human_impact/Fish.sp
post.mean l-95% CI u-95% CI eff.samp pMCMC
(Intercept) 1.335628 0.780363 1.907249 642.4 0.004 **
Human_impact 0.005781 -0.294084 0.347743 876.6 0.914
Human_impact:Fish.spA. perideraion -0.782846 -1.158798 -0.399131 649.9 <0.001 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
- 系数在哪里?
- post.mean是后验分布的均值?
- post.mean 是否可以在某种程度上被视为相当于标准
lm
的估计 - eff.samp 是什么意思?
- 如何找到自由度?
- 该模型基于贝叶斯统计。正确吗?
最佳答案
您可以使用MCMCglmm
包中的summary.MCMCglmm
“MCMCglmm”类的摘要方法。返回的对象适合使用 print.summary.MCMCglmm 方法打印。
DIC
偏差信息标准
固定公式
固定项的模型公式
随机.公式
随机项的模型公式
残差.公式
残差项的模型公式
解决方案
后验平均值、95% HPD 区间、MCMC p 值和固定(和随机)效应的有效样本量
Gcovariances
后验均值、95% HPD 区间和随机效应 (co) 方差分量的有效样本量
协方差
后验均值、95% HPD 区间和残余(协)方差分量的有效样本量
切点
序数模型的后验均值、95% HPD 区间和切点的有效样本量
csats
链长、老化和稀疏间隔
Gterms
通过随机公式中定义的分量项来索引随机效应(协)方差
我的印象是 MCMCglmm 没有实现“真正的”贝叶斯 glmmm。与频率论模型类似,有 g(E(y∣u))=Xβ+Zu,除了固定参数 β 和随机效应 u 的“G”方差之外,还需要对分散参数 phi1 进行先验.
但是根据这个MCMCglmm vignette ,MCMCglmm 中实现的模型由 g(E(y∣u,e))=Xβ+Zu+e 给出,并且不涉及色散参数 phi1。它与经典的频率论模型并不相似。
自由度
mcmcglmm
是 MCMCglmm() 函数的包装器。包装函数允许协方差矩阵上两个默认先验的两个变体。两个默认值是 InvW(用于逆 Wishart 先验),它将自由度参数设置为等于每个协方差矩阵的维数;InvG(用于逆 Gamma 先验),它将自由度参数设置为 0.002 多一少比协方差矩阵的维度。
关于R:理解 MCMCglmm 的输出,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20993643/