Arka plan: Şu anda çeşitli Bayes hiyerarşik modellerini karşılaştırarak bazı çalışmalar yapıyorum. verileri , katılımcı ve zaman için sayısal refah ölçüleridir . Katılımcı başına yaklaşık 1000 katılımcım ve 5 ila 10 gözlemim var. i j
Çoğu boyuna veri kümesinde olduğu gibi, zamana daha yakın olan gözlemlerin birbirinden ayrı olanlardan daha büyük bir korelasyona sahip olduğu bir tür otomatik korelasyon görmeyi bekliyorum. Birkaç şeyi basitleştiren temel model aşağıdaki gibidir:
nerede bir gecikme modeli karşılaştırıyorum:
bir gecikme modeli ile:
burada kişi düzeyinde bir ortalama ve gecikme parametresidir (yani gecikme etkisi, gözlemin bir önceki zaman noktasından o zaman noktasının tahmin edilen değerinden sapmasının ). Ayrıca ı tahmin etmek için birkaç şey yapmak zorunda kaldım (yani, ilk gözlemden önce gözlem). β 1 y i 0
Aldığım sonuçlar şunu gösteriyor:
- Gecikme parametresi .18,% 95 CI [.14, .21] civarındadır. Yani, sıfır değil
- Gecikme modele dahil edildiğinde ortalama sapma ve DIC birkaç yüz artar
- Posterior öngörü kontrolleri, gecikme etkisi dahil edilerek modelin verilerdeki otomatik korelasyonu daha iyi kurtarabildiğini göstermektedir.
Özetle, sıfır olmayan gecikme parametresi ve arka kestirimsel kontroller gecikme modelinin daha iyi olduğunu göstermektedir; ancak ortalama sapma ve DIC, gecikme olmayan modelin daha iyi olduğunu göstermektedir. Bu beni şaşırtıyor.
Genel deneyimim, yararlı bir parametre eklerseniz, en azından ortalama sapmayı azaltması gerektiğidir (bir karmaşıklık cezasından sonra DIC iyileştirilmemiş olsa bile). Ayrıca, gecikme parametresi için sıfır değeri, gecikme olmayan modelle aynı sapmayı elde edecektir.
Soru
Gecikme efekti eklemek, gecikme parametresi sıfır olmasa ve posterior kestirimsel kontrolleri iyileştirdiğinde bile Bayes hiyerarşik modelinde ortalama sapmayı artırabilir mi?
İlk düşünceler
- Ben bir çok yakınsama kontrolleri yaptım (örneğin, traceplots bakarak; zincirler ve koşular arasında sapma sonuçlarındaki değişimi incelemek) ve her iki model de posteriorda yakınsak gibi görünüyor.
- Ben lag etkisi sıfır olmaya zorladı nerede bir kod kontrolü yaptım, ve bu hiçbir gecikme modeli sapmalar kurtardı.
- Ayrıca, ortalama sapma eksi beklenen değerlerde sapma vermesi gereken cezaya baktım ve bunlar da gecikme modelinin daha kötü görünmesine neden oldu.
- Belki de gecikme etkisi, kişi başına etkili gözlem sayısını azaltır, bu da sapmayı artıran kişi düzeyi araçlarını ( ) tahmin etme kesinliğini azaltır .
- Belki de ilk gözlemden önce ima edilen zaman noktasını nasıl tahmin ettiğimle ilgili bir sorun var.
- Belki de gecikme etkisi bu verilerde zayıftır
- Ben kullanarak maksimum liklihood kullanarak modeli tahmin çalıştı
lme
ilecorrelation=corAR1()
. Gecikme parametresinin tahmini çok benzerdi. Bu durumda, gecikme modeli, gecikme olmadan birinden daha büyük bir log olasılığına ve daha küçük bir AIC'ye (yaklaşık 100 kadar) sahipti (yani, gecikme modelinin daha iyi olduğunu öne sürdü). Böylece bu, gecikmeyi eklemenin Bayesci modeldeki sapmayı da azaltması gerektiği fikrini güçlendirdi. - Belki Bayes kalıntıları hakkında özel bir şey vardır. Gecikme modeli, önceki zaman noktasında öngörülen ve gerçek y arasındaki farkı kullanırsa, bu miktar belirsiz olacaktır. Böylece, gecikme etkisi bu tür artık değerlerin güvenilir bir aralığı boyunca çalışacaktır.