R 如何从MCMCglmm中的后验密度模拟感兴趣的数量？

我想模拟使用

MCMCglmm

估算的模型中的感兴趣的数量，大致与

Zelig

软件包的方式相同。在

Zelig

中，您可以为独立值设置所需的值，软件计算结果变量的结果（期望值、概率等）。例如：

# Creating a dataset:
set.seed(666)
df <- data.frame(y=rnorm(100,20,20),z=rnorm(100,50,70))

# Loading Zelig
library(Zelig)

# Model
m1.zelig <- zelig(y~z, data=df, model="ls")
summary(m1.zelig)

# Simulating z = 10
s1 <- setx(m1.zelig, z = 10)
simulation <- sim(m1.zelig, x = s1)
summary(simulation)

#创建数据集：
种子（666）
df您可以进行模拟，但不像Zelig中那样容易。您必须更多地了解所拟合模型的结构以及参数在
MCMCglmm
对象中的存储方式

设置数据和拟合：

set.seed(666)
df <- data.frame(y=rnorm(100,20,20),z=rnorm(100,50,70))
library(MCMCglmm)
m1.mcmc <- MCMCglmm(y~z, data=df, family = "gaussian", verbose=FALSE)

如果您想模拟更复杂的模型（线性或广义线性混合模型），则需要更加努力（适当处理随机效应和反向链接函数）.
亲爱的Ben，非常感谢您的快速回复。这正是我想做的。关于更复杂模型的模拟，你有什么建议从哪里开始？再次感谢您的回复。我可能会确保我已经仔细阅读了包含大量信息的
MCMCGCLMM
vignettes，并确保您了解模型结构：例如，您需要类似
Z~ model.matrix（~[随机效果公式，截取被抑制]）的内容。
；然后将
Z
乘以
$Liab
组件（潜在效应）。运行模型时，您需要设置
pl=TRUE
，以保存潜在效果。您的建议非常有效。然而，当我尝试加入更多的预测因子并运行泊松模型时，结果看起来与我在
Zelig
中得到的结果非常不同。我在
predframe
中包括了其他预测因子，重复了您上面描述的相同模型矩阵（加上附加变量），并乘以用
MCMCglmm'估计的（单水平）泊松模型的
$Sol'分量。最后，为了获得感兴趣的数量，我输入了
exp（mean（predframe$y））
。还有什么我可能遗漏的吗？再次感谢！唯一有趣的事情是在求幂之前取线性预测值（
predframe$y
）的平均值——为什么不干脆
exp（predframe$y）
？否则，最好是一个可复制的示例。（也许你应该问一个新问题，而不是扩展这个问题——我不确定。）
set.seed(666)
df <- data.frame(y=rnorm(100,20,20),z=rnorm(100,50,70))
library(MCMCglmm)
m1.mcmc <- MCMCglmm(y~z, data=df, family = "gaussian", verbose=FALSE)

predframe <- data.frame(z=10)

X <- model.matrix(~z,data=predframe)

predframe$y <- X %*% t(m1.mcmc$Sol)