penguins-regr02a

bayes
rope
regression
Published

December 10, 2024

library(tidyverse)

Aufgabe

Beantworten Sie folgende Forschungsfrage:

Gibt es einen Zusammenhang von Schnabellänge und Gewicht (AV) bei Pinguinen?

Nutzen Sie die folgende Analyse für Ihre Antwort.

Wir rufen Stan:

🧑‍🏫 Hey, Stan, komm mal rüber! Wir haben da eine Frage an dich.

🤖 Beep, beep, beep! Bitte nur gute Fragen.

Setup:

library(rstanarm)
library(easystats)
library(tidyverse)
library(palmerpenguins)
data(penguins)

Modell:

m1 <- stan_glm(body_mass_g ~ bill_length_mm, 
               seed = 42,
               refresh = 0,
               data = penguins)

Parameter:

parameters(m1)
Parameter Median CI CI_low CI_high pd Rhat ESS Prior_Distribution Prior_Location Prior_Scale
(Intercept) 362.87728 0.95 -192.71794 899.6088 0.906 0.9997420 3918.566 normal 4201.754 2004.8863
bill_length_mm 87.45409 0.95 75.22585 100.1245 1.000 0.9997733 3914.346 normal 0.000 367.2233

Rope:

rope(m1)
Parameter CI ROPE_low ROPE_high ROPE_Percentage Effects Component
(Intercept) 0.95 -80.19545 80.19545 0.0931579 fixed conditional
bill_length_mm 0.95 -80.19545 80.19545 0.1026316 fixed conditional

Hier wird ein Bereich von ±80 Gramm als “vernachlässigbar” angesehen. Diese Voreinstellung sollte nur als grobe Orientierung dienen und sollte an die spezifische Forschungsfrage angepasst werden. Ihr Fachwissen sollte besser sein als dieser Default-Wert.

Visualisierung:

plot(rope(m1))











Lösung

Hier ist also keine klare Aussage zur Frage, ob der Effekt vernachlässigbar klein ist oder größer, möglich.


Categories:

  • lm
  • bayes
  • rope
  • string