Gesamt-Vorhersagekraft (z. B. R2) für Bayesian Linear (Mixed) -Modelle

Question

Nach this Frage Journalberichterstattung, würde ich gerne wissen, ob es eine Gesamtwirkung Größenindizes für Bayes-Modelle unter Verwendung stan_lmer?

Im frequentistischen Rahmen besteht der pseudo-R2 beispielsweise (berechnet durch this-Paket), das die marginal (der Anteil der Varianz durch den festen Faktor (en) alleine erklärt) und die bedingten zurückzugibt (der Anteil der Varianz, der sowohl durch die festen als auch die zufälligen Faktoren erklärt wird R2. Gibt es ein Äquivalent, das uns helfen würde, Effekte/Vorhersagekraft zu quantifizieren und zu qualifizieren?

Vielen Dank.

Answer 1

Für stan_lm oder stan_glm mit family = gaussian(link = "identity"), könnten Sie eine posteriore Verteilung der R-Quadrat mit

R2 <- rowSums(posterior_linpred(post)^2)/rowSums(posterior_predict(post)^2) 

berechnen, wo post das Objekt durch stan_lm oder stan_glm zurückgekehrt ist. Für stan_lmer oder (äquivalent) stan_glmer mit family = gaussian(link = "identity") könnten Sie etwas Ähnliches tun, aber müssen eine Position einnehmen, was mit den gruppenspezifischen Termen zu tun ist (d. H. (1 | group)). Das re.form Argument zu posterior_linpred und posterior_predict gibt Ihnen mehrere Optionen, aber standardmäßig sind die gruppenspezifischen Begriffe bedingt. Alternativ könnten Sie (einige davon) auf Null setzen oder eine data.frame mit neuen Gruppenstufen übergeben, um über (einige) der gruppenspezifischen Begriffe zu integrieren.