modelldef

paper
todo
Published

July 14, 2026

Question

Betrachten Sie den folgenden R-Befehl, mit dem ein lineares Modell mit Hilfe der Bayes-Statistik berechnet wurde:

m1 <- stan_glm(y ~ x1, data = d)

Welches der folgenden Modelldefinitionen passt am besten zum obigen R-Befehl (zur Berechnung des Modells m1)?

Hinweise:

  • Der Prädiktor bzw. die Prädiktoren sind z-standardisiert.
  • Die AV ist z-standardisiert.
  • Gehen Sie davon aus, dass Daten und notwendige R-Pakete und sonstige technischen Voraussetzungen erfüllt sind.
  • \(\mathcal{N}()\) bzw. \(N()\) meint die Normalverteilung und \(\mathcal{E}()\) bzw. \(E()\) die Exponentialverteilung.

Modelldefinition A:

\(y_i \sim \mathcal{N}(\mu_i, \sigma)\)
\(\mu_i = \beta_0 + \beta_1 x_i\)
\(\beta_0, \beta_1 \sim \mathcal{N}(0, -2.5)\)
\(\sigma \sim \mathcal{1}(-1)\)

Modelldefinition B:

\(y \sim \mathcal{N}(\mu, \sigma)\)
\(\mu = \beta_0 + \beta_1 x\)
\(\beta_0, \beta_1 \sim \mathcal{N}(0, 2.5)\)
\(\sigma \sim \mathcal{E}(1)\)

Modelldefinition C:

\(y_i \sim \mathcal{N}(\mu_i, \sigma)\)
\(\mu_i = \beta_0 + \beta_1 x_i\)
\(\beta_0, \beta_1 \sim \mathcal{N}(0, 2.5)\)
\(\sigma \sim \mathcal{E}(1)\)

Modelldefinition D:

\(y_i \sim \mathcal{N}(\mu_i, \sigma)\)
\(\sigma = \beta_0 + \beta_1 x_i\)
\(\beta_0, \beta_1 \sim \mathcal{N}(0, 2.5)\)
\(\mu_i \sim \mathcal{E}(1)\)

Modelldefinition E:

\(y_i = \mathcal{N}(\mu_i, \sigma)\)
\(\mu_i = \beta_0 + \beta_1 x_i\)
\(\beta_0, \beta_1 = \mathcal{N}(0, 2.5)\)
\(\sigma = \mathcal{E}(1)\)

Solution


Aufgaben-ID: Modelldef


Aufgabenname: modelldef

Meta-information

exname: modelldef extype: schoice exsolution: 00100 exshuffle: false expoints: 1