R:了解MCMCglmm的输出

我执行了MCMCglmm(MCMCglmm封装)。这是此模型的摘要

 Iterations = 3001:12991
 Thinning interval  = 10
 Sample size  = 1000

 DIC: 211.0108

 G-structure:  ~Region

       post.mean  l-95% CI u-95% CI eff.samp
Region    0.2164 5.163e-17    0.358     1000

 R-structure:  ~units

      post.mean l-95% CI u-95% CI eff.samp
units    0.5529   0.1808    1.045    449.3

 Location effects: Abondance ~ Human_impact/Fish.sp

                                   post.mean  l-95% CI  u-95% CI eff.samp  pMCMC
(Intercept)                         1.335628  0.780363  1.907249    642.4  0.004 **
Human_impact                        0.005781 -0.294084  0.347743    876.6  0.914
Human_impact:Fish.spA. perideraion -0.782846 -1.158798 -0.399131    649.9 <0.001 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

系数在哪里？

post.mean是后验分布的平均值吗？

可以将post.mean视为等效于标准lm的估计值

eff.samp是什么意思？

如何找到自由度？

此模型基于贝叶斯统计。这是正确的吗？

最佳答案

您可以使用MCMCglmm包中的 summary.MCMCglmm

类“MCMCglmm”的摘要方法。返回的对象适合使用print.summary.MCMCglmm方法进行打印。
DIC偏差信息标准
fixed.formula固定条件的模型公式
random.formula随机项的模型公式
residual.formula剩余项的模型公式
solutions后均值，95％HPD间隔，MCMC p值和固定(和随机)效应的有效样本量
Gcovariances后均值，95％HPD间隔和随机效应(协方差)成分的有效样本量
Rcovariances后均值，95％HPD间隔和剩余(协)方差分量的有效样本大小
cutpoints后验均值，95％HPD间隔和序数模型切点的有效样本量
csats链长，老化和稀疏间隔
Gterms通过随机公式中定义的组成项索引随机效应(共)方差

我的印象是MCMCglmm没有实现“真正的”贝叶斯glmmm。与常客模型相似，一个模型具有g(E(y∣u))=Xβ+ Zu，除了固定参数β和随机效应u的“G”方差外，还需要色散参数ϕ1的先验条件。 。

但是根据这个MCMCglmm vignette，在MCMCglmm中实现的模型由g(E(y∣u，e))=Xβ+ Zu + e给出，并且不包含色散参数ϕ1。它不同于经典的常客主义模型。

自由度mcmcglmm是MCMCglmm()函数的包装器。包装函数允许在协方差矩阵上使用两个默认先验的两个变体。这两个默认值分别是:反Wishart先验值的InvW(将自由度参数设置为等于每个协方差矩阵的维数)和InvG(反 Gamma 先验值)的InvG(将自由度参数设置为0.002小)比协方差矩阵的维数大

关于R:了解MCMCglmm的输出，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/20993643/