Model Info:
function: stan_glm
family: gaussian [identity]
formula: len ~ supp
algorithm: sampling
sample: 4000 (posterior sample size)
priors: see help('prior_summary')
observations: 60
predictors: 2
Estimates:
mean sd 10% 50% 90%
(Intercept) 20.7 1.4 18.9 20.7 22.4
suppVC -3.7 2.0 -6.3 -3.7 -1.2
sigma 7.6 0.7 6.7 7.5 8.6
Fit Diagnostics:
mean sd 10% 50% 90%
mean_PPD 18.8 1.4 17.1 18.8 20.6
The mean_ppd is the sample average posterior predictive distribution of the outcome variable (for details see help('summary.stanreg')).
MCMC diagnostics
mcse Rhat n_eff
(Intercept) 0.0 1.0 3935
suppVC 0.0 1.0 3654
sigma 0.0 1.0 3500
mean_PPD 0.0 1.0 3967
log-posterior 0.0 1.0 1995
For each parameter, mcse is Monte Carlo standard error, n_eff is a crude measure of effective sample size, and Rhat is the potential scale reduction factor on split chains (at convergence Rhat=1).
pigs1
Question
Laden Sie den Datensatz toothgrowth, z.B. von dieser Quelle. In dem Datensatz sind die Daten eines einfaches Experiments berichtet.
Forschungsfrage:
Hat die Darreichungsform (supp, OJ vs. VC) einen (kausalen) Effekt auf die AV?
Berechnen Sie ein 95%-HDI für den Effekt!
Solution
- Schritt: Modell berechnen
Zur Erinnerung: Bei der Regressionsformel gilt immer av ~ uv.
- Schritt: Posteriori-Verteilung betrachten
Mit summary() kriegt man einen guten Überblick:
Aber man kann z.B. auch mit posterior_interval() sich sein Wunsch-Intervall ausgeben lassen:
2.5% 97.5%
(Intercept) 17.968137 23.33945238
suppVC -7.614218 0.08866291
sigma 6.333723 9.18147661
Schauen wir uns mal zum Vergleich die Stichproben-Daten an:

Aufgabenname: pigs1
Meta-information
exname: pigs1 extype: string expoints: 1 exsolution: NA exshuffle: false