Расчет достоверных интервалов для предельных эффектов в биномиальном логите с использованием rstanarm

В этом методе расчета предельных эффектов для биномиального логита с использованием rstanarm https://stackoverflow.com/a/45042387/9264004

nd <- md
nd$x1 <- 0
p0 <- posterior_linpred(glm1, newdata = nd, transform = TRUE)
nd$x1 <- 1
p1 <- posterior_linpred(glm1, newdata = nd, transform = TRUE)
ME <- p1 - p0
AME <- rowMeans(ME)

Можно ли рассчитать интервалы для предельных эффектов, взяв квантили, например:

QME <- quantile(AME, c(.025,.25,.5,.75,.975))

или есть более правильный способ расчета стандартной ошибки эффекта?


r bayesian rstanarm
person user34773    schedule 24.01.2018    source источник

Ответы (1)


arrow_upward
0
arrow_downward

Если вас интересует апостериорное стандартное отклонение среднего (по данным) «маргинального» эффекта изменения x1 с 0 на 1, то это будет sd(ME) или, возможно, mad(ME). Но если вам нужны квантили, то вызовите quantile.

person Ben Goodrich    schedule 25.01.2018
comment
Эквивалентно ли это стандартным ошибкам для средних прогностических сравнений в Гельмане и Хилле? (стр. 472-473). Я новичок в байесовском анализе и подумал, что вместо этого мне следует использовать posterior_predict. Хотел правильно подобрать интервалы. - person user34773; 25.01.2018
comment
Если вам интересно, как минимальное изменение в x1 влияет на условное среднее значение результата, то код, который вы написали с posterior_linpred, верен. Если вас интересовало, как минимальное изменение x1 влияет на прогнозы, то posterior_predict подходит. Но x1 имеет гораздо более точно оцененное влияние на условное среднее, чем на предсказания из-за того, что последнее включает стохастическую составляющую результата. posterior_predict используется недостаточно, а posterior_linpred используется чрезмерно, но последнее удобно для моделей Бернулли. - person Ben Goodrich; 25.01.2018