R：理解MCMCglmm的输出_R_Statistics_Linear Regression_Bayesian

R：理解MCMCglmm的输出

r statistics

R：理解MCMCglmm的输出,r,statistics,linear-regression,bayesian,R,Statistics,Linear Regression,Bayesian,我执行了一个MCMCglmm（MCMCglmm包）。下面是这个模型的总结 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-struc

我执行了一个MCMCglmm（MCMCglmm包）。下面是这个模型的总结

 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

Iterations=3001:12991
减薄间隔=10
样本量=1000
DIC:211.0108
G-结构：~区域
后平均l-95%CI u-95%CI有效samp
区域0.2164 5.163e-17 0.358 1000
R-结构：~单位
后平均l-95%CI u-95%CI有效samp
单位0.5529 0.1808 1.045 449.3
位置影响：Abondance~人类影响/Fish.sp
后平均l-95%CI u-95%CI效应samp pMCMC
（截距）1.335628 0.780363 1.907249 642.4 0.004**
人类影响0.005781-0.294084 0.347743 876.6 0.914
人类影响：Fish.spA。周长-0.782846-1.158798-0.399131649.9您可以使用MCMCglmm
软件包中的summary.MCMCglmm
“MCMCglmm”类的摘要方法。返回的对象适合使用print.summary.MCMCglmm方法打印
DIC
偏差信息准则
fixed.公式
固定期限的模型公式
random.公式
随机项的模型公式
残差公式
剩余项的模型公式
解决方案
固定（和随机）效应的后验平均值、95%HPD间期、MCMC p值和有效样本量
gco属性
随机效应（co）方差分量的后验平均值、95%HPD区间和有效样本量
rco属性
残差（co）方差分量的后验平均值、95%HPD区间和有效样本量
cutpoints
序数模型的后验平均值、95%HPD区间和切点有效样本量
csats
链长、老化和变薄间隔
Gterms
根据随机公式中定义的分量项对随机效应（co）方差进行索引
我的印象是MCMCglmm没有实现“真正的”贝叶斯glmmm。与频率论模型类似，我们有g（E（y∣u） ）=Xβ+Zu，除固定参数β和随机效应u的“G”方差外，还需要一个关于色散参数ν1的先验值
但是根据这一点，MCMCglmm中实现的模型由g（E（y）给出∣u、 e））=Xβ+Zu+e，且不涉及色散参数φ1。它与经典的频率模型不同
自由度

mcmcglmm
是mcmcglmm（）函数的包装器。包装函数允许协方差矩阵上的两个defualt先验的两个变体。两个默认值是InvW（逆Wishart先验），它将自由度参数设置为等于每个协方差矩阵的维数；InvG（逆Gamma先验），它将自由度参数设置为0.002，比协方差矩阵的维数少一个以上。
可能是1）post.平均值
，2）估计值，所以是的，3）排序，4）我认为这是用于计算统计的样本大小，5）哼，6）是的。这个问题似乎离题了，因为它是关于解释统计模型的结果。（它也处于“请为我解决我的问题”模式……你读过MCMCglmm小插曲吗？）#4eff.samp
是有效样本量，是为链中的自相关调整的样本数。