R: 理解MCMCglmm的输出结果

Question

我执行了一个MCMCglmm模型（使用MCMCglmm包）。以下是该模型的摘要：

 Iterations = 3001:12991
 Thinning interval  = 10
 Sample size  = 1000 

 DIC: 211.0108 

 G-structure:  ~Region

       post.mean  l-95% CI u-95% CI eff.samp
Region    0.2164 5.163e-17    0.358     1000

 R-structure:  ~units

      post.mean l-95% CI u-95% CI eff.samp
units    0.5529   0.1808    1.045    449.3

 Location effects: Abondance ~ Human_impact/Fish.sp 

                                   post.mean  l-95% CI  u-95% CI eff.samp  pMCMC    
(Intercept)                         1.335628  0.780363  1.907249    642.4  0.004 ** 
Human_impact                        0.005781 -0.294084  0.347743    876.6  0.914    
Human_impact:Fish.spA. perideraion -0.782846 -1.158798 -0.399131    649.9 <0.001 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

1. 系数在哪里？
2. post.mean是后验分布的均值吗？
3. 是否可以将post.mean视为标准lm估计量的等效值？
4. eff.samp是什么意思？
5. 如何找到自由度？
6. 这个模型基于贝叶斯统计。这正确吗？

- Remi.b

---

也许是类似于1）post.mean，2）估计值，所以是的，3）有点像，4）我认为这是用于计算统计量的样本大小，5）嗯，6）是的。 - Roman Luštrik

这个问题似乎不适合讨论，因为它涉及到解释统计模型的结果。(而且非常像是"请帮我解决我的问题"的模式...你有阅读MCMCglmm文档吗？) - Ben Bolker

#4. eff.samp 是有效样本量，它是链中自相关调整后所取样本的数量。 - Ben Bolker

Answer 1

你可以使用MCMCglmm包中的summary.MCMCglmm方法。

对于类"MCMCglmm"，该方法返回一个适合与print.summary.MCMCglmm方法一起打印的对象。 DIC 偏差信息准则 fixed.formula 固定项的模型公式 random.formula 随机项的模型公式 residual.formula 残差项的模型公式 solutions 固定（和随机）效应的后验均值、95％HPD区间、MCMC p值和有效样本大小 Gcovariances 随机效应（协）方差分量的后验均值、95％HPD区间和有效样本大小 Rcovariances 残差（协）方差分量的后验均值、95％HPD区间和有效样本大小 cutpoints 来自序数模型的切点的后验均值、95％HPD区间和有效样本大小

csats 链长、燃烧期和稀释间隔

Gterms 通过在随机公式中定义的组分项索引随机效应（协）方差

我认为MCMCglmm并没有实现“真正”的贝叶斯glmmm。与频率模型类似，有g(E(y∣u))=Xβ+Zu，并且除了固定参数β和随机效应u的“G”方差之外，还需要对离散参数ϕ1进行先验设定。

但是根据这个MCMCglmm vignette，MCMCglmm 中实现的模型为 g(E(y∣u,e))=Xβ+Zu+e，不涉及离散参数ϕ1。它与经典频率模型不相似。

自由度
mcmcglmm是MCMCglmm()函数的包装器。这个包装器函数允许使用两个变量的两个默认先验概率来计算协方差矩阵。这两个默认值分别为InvW和逆Wishart先验，它将自由度参数设置为每个协方差矩阵的维数；以及InvG和逆Gamma先验，它将自由度参数设置为比协方差矩阵维数小1的值多0.002。

- Prasanna Nandakumar