glmer与JAGS：仅截距层次模型中的不同结果 贾格斯

我在JAGS中有一个仅截获的逻辑模型，定义如下：

model{
for(i in 1:Ny){
    y[i] ~ dbern(mu[s[i]])
}
for(j in 1:Ns){
    mu[j] <- ilogit(b0[j])
    b0[j] ~ dnorm(0, sigma)
}

sigma ~ dunif(0, 100)
}

Random effects:
Groups  Name        Variance Std.Dev.
speaker (Intercept) 0.3317   0.576   
Number of obs: 1544, groups:  subject, 27

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)   0.7401     0.1247   5.935 2.94e-09 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

然而，该模型的结果如下：

model{
for(i in 1:Ny){
    y[i] ~ dbern(mu[s[i]])
}
for(j in 1:Ns){
    mu[j] <- ilogit(b0[j])
    b0[j] ~ dnorm(0, sigma)
}

sigma ~ dunif(0, 100)
}

Random effects:
Groups  Name        Variance Std.Dev.
speaker (Intercept) 0.3317   0.576   
Number of obs: 1544, groups:  subject, 27

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)   0.7401     0.1247   5.935 2.94e-09 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

所以这里它说我的估计大大高于

0

数据是什么样子的 以下是受试者的

0s

和

1s

比例。你可以看到，对于绝大多数受试者，

1

的比例都在50%以上

你知道为什么JAG和

glmer（）在这里如此不同吗？

      0    1
1  0.47 0.53
2  0.36 0.64
3  0.29 0.71
4  0.42 0.58
5  0.12 0.88
6  0.22 0.78
7  0.54 0.46
8  0.39 0.61
9  0.30 0.70
10 0.32 0.68
11 0.36 0.64
12 0.66 0.34
13 0.38 0.62
14 0.49 0.51
15 0.35 0.65
16 0.32 0.68
17 0.12 0.88
18 0.45 0.55
19 0.36 0.64
20 0.36 0.64
21 0.28 0.72
22 0.40 0.60
23 0.41 0.59
24 0.19 0.81
25 0.27 0.73
26 0.08 0.92
27 0.12 0.88

您忘记包含平均值，因此您的截距参数固定为零。像这样的方法应该会奏效：

model{
for(i in 1:Ny){
    y[i] ~ dbern(mu[s[i]])
}
for(j in 1:Ns){
    mu[j] <- ilogit(b0[j])
    b0[j] ~ dnorm(mu0, sigma)
}
mu0 ~ dnorm(0,0.001)
sigma ~ dunif(0, 100)
}

模型{
对于（我在1:Ny）{
y[i]~dbern（mu[s[i]]
}
对于（1:Ns中的j）{
mu[j]谢谢！但是JAGS模型的HDI仍然包括0。所以在某种程度上，这两个模型给了我关于可能影响的不同决定（以及它是否与0不同）.这是预期的，还是这两个模型不是等效的…？你是在看
mu0
的后验密度吗？哦，我明白你的意思。不，我不是。我现在是，它确实符合我从glm（）中预期的型号。非常感谢——我对JAGS完全不熟悉，过渡也不是那么顺利。取决于你在做什么，你可能会对
brms
和/或
rstanarm
PackagesHanks感兴趣！我会研究一下。