У меня есть довольно простой набор данных, состоящий из одной независимой переменной, одной зависимой переменной и категориальной переменной. У меня есть большой опыт проведения тестов на частоту, таких как aov()
и lm()
, но я не могу понять, как выполнить их байесовские эквиваленты в R.
Я хотел бы запустить байесовскую линейную регрессию по первым двум переменным и байесовский дисперсионный анализ, используя категориальную переменную в качестве группировки, но я не могу найти простых примеров того, как это сделать с R. Может ли кто-нибудь предоставить базовый пример для и то и другое? Кроме того, что именно представляет собой выходная статистика, создаваемая байесовским анализом, и что они выражают?
Я не очень хорошо разбираюсь в статистике, но, похоже, все согласны с тем, что использование базовых тестов с p-значениями в настоящее время считается ошибочным, и я стараюсь не отставать. С уважением.
Ответы:
Если вы собираетесь делать много байесовской статистики, вам будет полезно изучить язык BUGS / JAGS, к которому можно получить доступ в R через пакеты R2OpenBUGS или R2WinBUGS.
Однако, для быстрого примера, который не требует понимания синтаксиса BUGS, вы можете использовать пакет "bayesm", который имеет функцию runiregGibbs для выборки из апостериорного распределения. Вот пример с данными, похожими на те, которые вы описываете .....
Выдержки из вывода: Anova: Bayesian:
лм ():
Простая линейная регрессия: байесовская:
лм ():
2 ковариатическая модель: байесовская:
лм ():
из которого мы можем видеть, что результаты в целом сопоставимы, как и ожидалось с этими простыми моделями и диффузными априорами. Конечно, также стоит проверить диагностические графики MCMC - заднюю плотность, график трассировки, автокорреляцию - которые я также дал код, для которого выше (графики не показаны).
источник
Пакет BayesFactor (продемонстрированный здесь: http://bayesfactorpcl.r-forge.r-project.org/ и доступный на CRAN) позволяет использовать байесовский ANOVA и регрессию. Он использует байесовские коэффициенты для сравнения моделей и позволяет апостериорный отбор для оценки.
источник
Это довольно удобно с
LearnBayes
пакетом.blinreg
Функция использует неинформативны до по умолчанию, и это дает вывод очень близко к одному частотным.Оценки :
Доверительные интервалы :
источник