Episode
brms: Bayesian Multilevel Models using Stan
durch Paul Bürkner
useR!2017: brms: Bayesian Multilevel Models using S...
Das Brms-Paket (Bürkner, in Press) implementiert Bayesian multilevel Modelle in R mit der probabilistischen Programmiersprache Stan (Carpenter, 2017). Eine breite Palette von Verteilungs- und Verknüpfungsfunktionen wird unterstützt, sodass Benutzer lineare, robuste lineare, binomiale, Poisson, Überleben, Antwortzeiten, Ordinal, Quantile, Null-Inflated, Hürde und sogar nicht lineare Modelle in einem mehrstufigen Kontext passen können. Weitere Modellierungsoptionen sind Autokorrelation und Glättungsbegriffe, benutzerdefinierte Abhängigkeitsstrukturen, censorierte Daten, Metaanalysestandardfehler und einige mehr. Darüber hinaus können alle Parameter der Antwortverteilung vorhergesagt werden, um eine Verteilungsregression durchzuführen. Frühere Spezifikationen sind flexibel und ermutigen Benutzer explizit, vorherige Verteilungen anzuwenden, die ihre Überzeugungen tatsächlich widerspiegeln. Darüber hinaus kann die Modellpassung einfach bewertet und mit posterior predictive checks und Leave-one-out cross-validation verglichen werden.
useR!2017: brms: Bayesian Multilevel Models using S...
Das Brms-Paket (Bürkner, in Press) implementiert Bayesian multilevel Modelle in R mit der probabilistischen Programmiersprache Stan (Carpenter, 2017). Eine breite Palette von Verteilungs- und Verknüpfungsfunktionen wird unterstützt, sodass Benutzer lineare, robuste lineare, binomiale, Poisson, Überleben, Antwortzeiten, Ordinal, Quantile, Null-Inflated, Hürde und sogar nicht lineare Modelle in einem mehrstufigen Kontext passen können. Weitere Modellierungsoptionen sind Autokorrelation und Glättungsbegriffe, benutzerdefinierte Abhängigkeitsstrukturen, censorierte Daten, Metaanalysestandardfehler und einige mehr. Darüber hinaus können alle Parameter der Antwortverteilung vorhergesagt werden, um eine Verteilungsregression durchzuführen. Frühere Spezifikationen sind flexibel und ermutigen Benutzer explizit, vorherige Verteilungen anzuwenden, die ihre Überzeugungen tatsächlich widerspiegeln. Darüber hinaus kann die Modellpassung einfach bewertet und mit posterior predictive checks und Leave-one-out cross-validation verglichen werden.
Feedback? Melden Sie hier ein Problem.