stan-glm-intercept-schoice

bayes
paper
Published

July 10, 2026

Question

Im Kapitel wird das Kung-Modell u. a. mit stan_glm(height ~ 1, ...) berechnet. Welche Aussage zur Bedeutung von height ~ 1 und dem resultierenden (Intercept) ist korrekt?

Answerlist

  • height ~ 1 spezifiziert eine Regression ohne Prädiktor (die 1 symbolisiert die fehlende UV); der geschätzte (Intercept) entspricht in diesem Sonderfall direkt dem Populationsmittelwert \(\mu\) der Körpergröße.
  • height ~ 1 bedeutet, dass alle Körpergrößen im Modell auf den Wert 1 gesetzt werden.
  • Der (Intercept) gibt in diesem Modell die Streuung \(\sigma\) der Körpergrößen an, nicht den Mittelwert.
  • stan_glm() benötigt zwingend mindestens einen Prädiktor; ein Modell ganz ohne UV wie height ~ 1 ist nicht möglich.
  • Die 1 in height ~ 1 steht für die Anzahl der Post-Verteilungs-Stichproben, die gezogen werden sollen.

Solution

height ~ 1 beschreibt eine Regression, bei der nur die Verteilung der abhängigen Variable (height) geschätzt wird, ohne Prädiktoren (die 1 steht symbolisch für die “fehlende” UV) – man könnte auch sagen: eine “Regression ohne Regressoren”. In diesem Sonderfall entspricht der geschätzte Achsenabschnitt ((Intercept)) direkt dem Populationsmittelwert \(\mu\) der Zielvariablen. Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option verwechselt die Notation ~ 1 (Symbol für “kein Prädiktor” in der Formelsprache von R) mit einer tatsächlichen Zuweisung des Zahlenwerts 1 an die Variable height – die tatsächlichen Körpergrößenwerte aus dem Datensatz bleiben unverändert.
  • Die dritte Option verwechselt (Intercept) (Schätzung für \(\mu\)) mit dem separaten Parameter sigma (bzw. Auxiliary), der im Modell zusätzlich und getrennt ausgegeben wird.
  • Die vierte Option ist falsch: Der Text zeigt explizit, dass stan_glm() auch für Modelle ganz ohne Prädiktor (nur Achsenabschnitt) verwendet werden kann – genau das ist im Kung-Beispiel der Fall.
  • Die fünfte Option verwechselt die Modellformel-Syntax mit einem Argument zur Steuerung der Stichprobenanzahl (dafür gibt es bei stan_glm() andere Argumente, nicht die Formel selbst).

Aufgabenname: stan-glm-intercept-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: stan-glm-intercept-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes