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
lm
的估计值最佳答案
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/