stan-glm-intercept-schoice
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 ~ 1spezifiziert eine Regression ohne Prädiktor (die1symbolisiert die fehlende UV); der geschätzte(Intercept)entspricht in diesem Sonderfall direkt dem Populationsmittelwert \(\mu\) der Körpergröße.height ~ 1bedeutet, 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 wieheight ~ 1ist nicht möglich.- Die
1inheight ~ 1steht 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 Variableheight– die tatsächlichen Körpergrößenwerte aus dem Datensatz bleiben unverändert. - Die dritte Option verwechselt
(Intercept)(Schätzung für \(\mu\)) mit dem separaten Parametersigma(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