从lmer模型中提取贝叶斯p值_R_Bayesian_Lme4_P Value

从lmer模型中提取贝叶斯p值

从lmer模型中提取贝叶斯p值,r,bayesian,lme4,p-value,R,Bayesian,Lme4,P Value,我试图从我建立的lmer模型中提取贝叶斯p值（即，如果点估计为负，则估计值的比例>0；如果点估计为正，则估计值的比例

我试图从我建立的
lmer
模型中提取贝叶斯p值（即，如果点估计为负，则估计值的比例>0；如果点估计为正，则估计值的比例<0））。我理解“p值”本质上是频繁出现的，但我需要贝叶斯p值来安抚评论者（）
为了再现性的目的，我使用R的数据集来说明我的问题。数据集：

library(datasets) data(ChickWeight) #importing data from base R summary(ChickWeight) weight Time Chick Diet Min. : 35.0 Min. : 0.00 13 : 12 1:220 1st Qu.: 63.0 1st Qu.: 4.00 9 : 12 2:120 Median :103.0 Median :10.00 20 : 12 3:120 Mean :121.8 Mean :10.72 10 : 12 4:118 3rd Qu.:163.8 3rd Qu.:16.00 17 : 12 Max. :373.0 Max. :21.00 19 : 12 (Other):506
我的真实数据既有连续的预测变量，也有离散的预测变量，而且对个体身份有随机影响
创建
lmer
模型：

install.packages("lme4", dependencies=TRUE) library(lme4) m1<-lmer(weight ~ Time + Diet+ (1|Chick), data=ChickWeight) summary(m1) Linear mixed model fit by REML ['lmerMod'] Formula: weight ~ Time + Diet + (1 | Chick) Data: ChickWeight REML criterion at convergence: 5584 Scaled residuals: Min 1Q Median 3Q Max -3.0591 -0.5779 -0.1182 0.4962 3.4515 Random effects: Groups Name Variance Std.Dev. Chick (Intercept) 525.4 22.92 Residual 799.4 28.27 Number of obs: 578, groups: Chick, 50 Fixed effects: Estimate Std. Error t value (Intercept) 11.2438 5.7887 1.942 Time 8.7172 0.1755 49.684 Diet2 16.2100 9.4643 1.713 Diet3 36.5433 9.4643 3.861 Diet4 30.0129 9.4708 3.169 Correlation of Fixed Effects: (Intr) Time Diet2 Diet3 Time -0.307 Diet2 -0.550 -0.015 Diet3 -0.550 -0.015 0.339 Diet4 -0.550 -0.011 0.339 0.339
现在我想得到贝叶斯p值：

install.packages("conting", dependencies=TRUE) library(conting) bayespval(object=sm1, n.burnin = 0, thin = 1, statistic = "X2") #this last line is the line I am having trouble with Error: $ operator not defined for this S4 class
关于我如何设置模型
m1
，提取每个估算值的贝叶斯p值的正确格式是什么？
有一个发布的示例，但我的模型并不像他们的模型那个样设置

我不需要使用这个软件包，我很乐意从1000个模拟中计算出来。在这种情况下，我需要知道如何计算有多少估算值低于/高于零。该数字/1000（估计总数）将是贝叶斯p值。

提取贝叶斯p值（即，如果点估计为负，则大于0的估计比例；如果点估计为正，则小于0的估计比例）可以提取每个模拟的点估计值，然后除以模拟数

要使用

ChickWeight

数据集和上述模型执行此操作，您需要：

library(datasets)
data(ChickWeight)

m1<-lmer(weight ~ Time + Diet+ (1|Chick), data=ChickWeight)

sm1<-sim(m1,1000)
smfixef=sm1@fixef
smfixef=as.mcmc(smfixef) #this has the 1000 simulations in it for the fixed effects 

as.mcmc(smfixef)
Markov Chain Monte Carlo (MCMC) output:
Start = 1 
End = 1000 
Thinning interval = 1 
        (Intercept)     Time        Diet2     Diet3      Diet4
   [1,] 17.52609243 8.381517   7.47169881 46.442343 19.7164997 #simulation 1
   [2,] 16.52854430 8.859378   8.83279931 29.017547 25.4610474 #simulation 2
   [3,]  4.00702870 8.830302  29.68309621 47.459395 35.1939344 #simulation 3
   [4,] 16.44162722 8.599929  15.87393285 31.946265 33.7513144 #simulation 4
   [5,] 21.07173579 8.596701   1.81909415 28.934133 19.0499998 #simulation 5
etc.

由于

时间

变量的点估计值为正，因此您需要计算该变量的估计值低于零的次数：

p_Time=if_else(smfixef[,2]>0, 1,0) #Time variable (i.e., 2nd column)

sum_p_Time=sum(p_Time<1)
> sum_p_Time
0

sum\u p\u Time=sum（p\u Time sum\u p\u Time
0

在这种情况下，它表示所有估计值都在零以上，因此贝叶斯p值<0.001。这支持了我们在仅查看点估计值和95%可信区间时所看到的情况（即，

时间

估计值为8.80，95%可信区间为（8.38,9.06）.在这两种情况下，我们都看到人们强烈支持时间对体重产生影响

sum_p_Time=sum(p_Time<1)
> sum_p_Time
0