如何用BR中的BRMS进行贝叶斯序数回归的假设检验
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如何用BR中的BRMS进行贝叶斯序数回归的假设检验相关的知识,希望对你有一定的参考价值。
我正在试图弄清楚我是否正确地表达了这个模型,以及我是否正确地测试了我的假设。
我进行了一项研究,让人们对两个维度的刺激进行分类。然后我向他们展示了这些刺激的一些例子,要求他们评估每种刺激在1到7的李克特量表上的典型程度。我要求每个参与者评估36种刺激。每个刺激都有相关的维度和偶然的维度。每个维度都设置为极值,边际值或模态值。 (每个维度都是双峰的,在类别边界处有一个低谷。这些标签实际上只是从1到100的连续维度的分类,尽管双峰分布是对称的,研究问题涉及模式而不是任何特定值。极值是尾部,边缘值是最靠近波谷的双峰的尾部,模式是模式。在训练阶段,维度是不相关的。)
我已经意识到累积有序逻辑回归可能是分析这些数据的最佳方法。使用R中的brms
包,我已经使用虚拟编码为相关和偶然的特征值指定了我的模型,将两者的参考类别设置为模式。 (我已经尝试了一个带有交互的模型,其中系统虚拟代码从我的分类参数中看起来是合适的,并且交互似乎并不重要。)
rating_dummy1 <- brm(rating ~ labRel_Marginal + labRel_Extreme + labInc_Marginal + labInc_Extreme + (labRel_Marginal + labRel_Extreme + labInc_Marginal + labInc_Extreme | uniqueid), data = testing.rfc, family = cumulative)
注意:我99%肯定这与rating_fit1.1 <- brm(rating ~ label_relevant + label_incidental + (label_relevant + label_incidental | uniqueid), data = testing.rfc, family = cumulative)
相同,一旦这些因素的参考类别被归结为mode
。
我的主要研究问题是:
- 人们对刺激的相关模态值比其他刺激更高吗?
- 人们对偶然模态值的刺激比其他刺激更高吗?
我的主要问题:这个模型规范是否有意义,我如何测试这些研究问题?
我试图通过询问“其他标签的刺激是否与模态刺激不同来测试它们?
(hypothesis(rating_dummy1, c("labRel_Marginal = 0",
"labRel_Extreme = 0",
"labInc_Marginal = 0",
"labInc_Extreme = 0"), alpha = .05, class = "b"))
我可以在这里制作一个更细微的配方吗?我对假设的解释和表述有点挣扎。
我建议你问一下关于brms-users的问题(https://groups.google.com/forum/#!forum/brms-users)。
以上是关于如何用BR中的BRMS进行贝叶斯序数回归的假设检验的主要内容,如果未能解决你的问题,请参考以下文章