R 将后验分布叠加在均值上，如cat#x27；卡明的人眼可视化

我个人喜欢卡明的猫眼可视化，它将采样分布叠加在点估计上：

我还想通过Kruschke（2015）脚本获得的后验分布来实现这一点：

plotMCMC（mcmcCoda，data=myData，
compValMu=100.0，ropeMu=c（99.0101.0），
compValSigma=15.0，ropeSigma=c（14,16），
compValEff=0.0，ropeEff=c（-0.1,0.1），
pairsPlot=TRUE，showCurve=FALSE，
saveName=fileNameRoot，saveType=graphFileType）
#设置窗口和布局：
openGraph（宽度=6.0，高度=8.0*3/5）
布局（矩阵（c（2,3,5,1,4,6），nrow=3，byrow=FALSE））
par（mar=c（3.5,3.5,2.5,0.5），mgp=c（2.25,0.7,0））
#选择链中的细化步骤以绘制后验预测曲线：
nCurvesToPlot=20
stepIdxVec=序号（1，链长，楼层（链长/nCurvesToPlot））
#使用后验pred计算数据图的限制。分配
y=数据
xLim=c（最小值（y）-0.1*（最大值（y）-最小值（y）），最大值（y）+0.1*（最大值（y）-最小值（y）））
xBreaks=seq（xLim[1]，xLim[2]，
长度=天花板（（xLim[2]-xLim[1]）/（sd（y）/4）））
histInfo=hist（y，中断=xBreaks，绘图=FALSE）
yMax=1.2*最大值（histInfo$密度）
xVec=seq（xLim[1]，xLim[2]，长度=501）
#-----------------------------------------------------------------------------
#绘制数据y和后预测曲线的细微差别：
histInfo=hist（y，prob=TRUE，xlim=xlim，ylim=c（0，yMax），breaks=xBreaks，
col=“red2”，border=“white”，xlab=“y”，ylab=“”，
yaxt=“n”，cex.lab=1.5，main=“数据w.Post.Pred.”
用于（stepIdx in 1:长度（stepIdxVec））{
行（xVec，dt（（xVec mu[stepIdxVec[stepIdx]]）/sigma[stepIdxVec[stepIdx]]，
df=nu[stepIdxVec[stepIdx]]）/sigma[stepIdxVec[stepIdx]]，
type=“l”，col=“天蓝”，lwd=1）
}
文本（max（xVec），yMax，bquote（N==（长度（y）），adj=c（1.1,1.1））
#-----------------------------------------------------------------------------
histInfo=plotPost（μ，cex.lab=1.75，showCurve=showCurve，
compVal=compValMu，ROPE=ropeMu，
xlab=bquote（μ），main=paste（“平均值”），
col=“天蓝色”）
#-----------------------------------------------------------------------------
histInfo=plotPost（sigma，cex.lab=1.75，showCurve=showCurve，
compVal=compValSigma，ROPE=ropeSgma，cenTend=“mode”，
xlab=bquote（西格玛），main=paste（“刻度”），
col=“天蓝色”）
#-----------------------------------------------------------------------------
效应大小=（μ-compValMu）/sigma
histInfo=plotPost（效应尺寸，compVal=compValEff，ROPE=ropeEff，
showCurve=showCurve，cenTend=“mode”，
xlab=bquote（（μ-（compValMu））/sigma），
cex.lab=1.75，main=“效果大小”，
col=“天蓝色”）
#-----------------------------------------------------------------------------  
postInfo=plotPost（log10（nu），col=“skyblue”，#breaks=30，
showCurve=showCurve，
xlab=bquote（“log10”（*nu*）），cex.lab=1.75，
cenTend=“mode”，
main=“常态”）#（我为另一个应用程序创建了一个名为
plotviole
的函数，该函数可以做您想要的事情，或者至少可以根据您的应用程序的具体情况轻松修改。您可以在此处链接的R脚本的一半找到该函数：
与此答案一致，
ggplot2
有一个
geom_violen
，它将哦，这个。
plotMCMC( mcmcCoda , data=myData , 
      compValMu=100.0 , ropeMu=c(99.0,101.0) ,
      compValSigma=15.0 , ropeSigma=c(14,16) ,
      compValEff=0.0 , ropeEff=c(-0.1,0.1) ,
      pairsPlot=TRUE , showCurve=FALSE ,
      saveName=fileNameRoot , saveType=graphFileType )

 # Set up window and layout:


openGraph(width=6.0,height=8.0*3/5)
  layout( matrix( c(2,3,5, 1,4,6) , nrow=3, byrow=FALSE ) )
  par( mar=c(3.5,3.5,2.5,0.5) , mgp=c(2.25,0.7,0) )
  # Select thinned steps in chain for plotting of posterior predictive     curves:
  nCurvesToPlot = 20
  stepIdxVec = seq( 1 , chainLength , floor(chainLength/nCurvesToPlot) )
  # Compute limits for plots of data with posterior pred. distributions
  y = data
  xLim = c( min(y)-0.1*(max(y)-min(y)) , max(y)+0.1*(max(y)-min(y)) )
  xBreaks = seq( xLim[1] , xLim[2] , 
                 length=ceiling((xLim[2]-xLim[1])/(sd(y)/4)) )
  histInfo = hist(y,breaks=xBreaks,plot=FALSE)
  yMax = 1.2 * max( histInfo$density )
  xVec = seq( xLim[1] , xLim[2] , length=501 )
  #-----------------------------------------------------------------------------
  # Plot data y and smattering of posterior predictive curves:
  histInfo = hist( y , prob=TRUE , xlim=xLim , ylim=c(0,yMax) , breaks=xBreaks,
                   col="red2" , border="white" , xlab="y" , ylab="" , 
                   yaxt="n" , cex.lab=1.5 , main="Data w. Post. Pred." )
  for ( stepIdx in 1:length(stepIdxVec) ) {
    lines(xVec, dt( (xVec-mu[stepIdxVec[stepIdx]])/sigma[stepIdxVec[stepIdx]], 
                    df=nu[stepIdxVec[stepIdx]] )/sigma[stepIdxVec[stepIdx]] , 
          type="l" , col="skyblue" , lwd=1 )
  }
  text( max(xVec) , yMax , bquote(N==.(length(y))) , adj=c(1.1,1.1) )
  #-----------------------------------------------------------------------------
  histInfo = plotPost( mu , cex.lab = 1.75 , showCurve=showCurve ,
                       compVal=compValMu , ROPE=ropeMu ,
                       xlab=bquote(mu) , main=paste("Mean") , 
                       col="skyblue" )
  #-----------------------------------------------------------------------------
  histInfo = plotPost( sigma , cex.lab=1.75 , showCurve=showCurve ,
                       compVal=compValSigma , ROPE=ropeSigma , cenTend="mode" ,
                       xlab=bquote(sigma) , main=paste("Scale") , 
                       col="skyblue" )
  #-----------------------------------------------------------------------------
  effectSize = ( mu - compValMu ) / sigma
  histInfo = plotPost( effectSize , compVal=compValEff ,  ROPE=ropeEff ,
                       showCurve=showCurve , cenTend="mode" ,
                       xlab=bquote( ( mu - .(compValMu) ) / sigma ),
                       cex.lab=1.75 , main="Effect Size" ,
                       col="skyblue" )
  #-----------------------------------------------------------------------------  
  postInfo = plotPost( log10(nu) , col="skyblue" , # breaks=30 ,
                       showCurve=showCurve ,
                       xlab=bquote("log10("*nu*")") , cex.lab = 1.75 , 
                       cenTend="mode" ,
                       main="Normality" ) #  (<0.7 suggests kurtosis)