具有随机效应的多层次回归变量的解释
Interpretation of variables in multi-level regression with random effects
我有一个类似于下图的数据集（显示前 5 行）。 CPA 是对不同广告航班进行实验（处理）的观察结果。广告投放在广告系列中按层次分组。
campaign_uid flight_uid treatment CPA
0 0C2o4hHDSN 0FBU5oULvg control -50.757370
1 0C2o4hHDSN 0FhOqhtsl9 control 10.963426
2 0C2o4hHDSN 0FwPGelRRX exposed -72.868952
3 0C5F8ZNKxc 0F0bYuxlmR control 13.356081
4 0C5F8ZNKxc 0F2ESwZY22 control 141.030900
5 0C5F8ZNKxc 0F5rfAOVuO exposed 11.200450
我适合像下面这样的模型：
model.fit('CPA ~ treatment', random=['1|campaign_uid'])
据我所知，这个模型简单地说：
- 我们有一个治疗坡度
- 我们有一个全局拦截
- 我们也对每个活动进行拦截
所以对于每个这样的变量.[=15，一个 后 =]
但是，查看下面的结果，我还得到了以下变量的后验概率：1|campaign_uid_offset。它代表什么？
拟合模型和绘图的代码：
model = Model(df)
results = model.fit('{} ~ treatment'.format(metric),
random=['1|campaign_uid'],
samples=1000)
# Plotting the result
pm.traceplot(model.backend.trace)
- 1|campaign_uid
这些是您在参数列表中提到的广告系列的随机截取。
- 1|campaign_uid_sd
这是上述随机活动拦截的标准差。
- CPA_sd
这是残差标准差。也就是说，你的模型可以（部分地）写成 CPA_ij ~ Normal(b0 + b1*treatment_ij + u_j, sigma^2)，而 CPA_sd 代表参数西格玛。
- 1|campaign_uid_offset
这是随机截距的另一种参数化。 bambi 在内部使用此转换以提高 MCMC 采样效率。通常这个转换后的参数默认是对用户隐藏的；也就是说，如果您使用 results.plot() 而不是 pm.traceplot(model.backend.trace) 制作跟踪图，那么这些项将被隐藏，除非您指定 transformed=True（默认情况下为 False）。它也默认隐藏在 results.summary() 输出中。有关此转换的详细信息，请参阅 this nice blog post by Thomas Wiecki。
我有一个类似于下图的数据集（显示前 5 行）。 CPA 是对不同广告航班进行实验（处理）的观察结果。广告投放在广告系列中按层次分组。
campaign_uid flight_uid treatment CPA
0 0C2o4hHDSN 0FBU5oULvg control -50.757370
1 0C2o4hHDSN 0FhOqhtsl9 control 10.963426
2 0C2o4hHDSN 0FwPGelRRX exposed -72.868952
3 0C5F8ZNKxc 0F0bYuxlmR control 13.356081
4 0C5F8ZNKxc 0F2ESwZY22 control 141.030900
5 0C5F8ZNKxc 0F5rfAOVuO exposed 11.200450
我适合像下面这样的模型：
model.fit('CPA ~ treatment', random=['1|campaign_uid'])
据我所知，这个模型简单地说：
- 我们有一个治疗坡度
- 我们有一个全局拦截
- 我们也对每个活动进行拦截
所以对于每个这样的变量.[=15，一个 后 =]
但是，查看下面的结果，我还得到了以下变量的后验概率：1|campaign_uid_offset。它代表什么？
拟合模型和绘图的代码：
model = Model(df)
results = model.fit('{} ~ treatment'.format(metric),
random=['1|campaign_uid'],
samples=1000)
# Plotting the result
pm.traceplot(model.backend.trace)
- 1|campaign_uid
这些是您在参数列表中提到的广告系列的随机截取。
- 1|campaign_uid_sd
这是上述随机活动拦截的标准差。
- CPA_sd
这是残差标准差。也就是说，你的模型可以（部分地）写成 CPA_ij ~ Normal(b0 + b1*treatment_ij + u_j, sigma^2)，而 CPA_sd 代表参数西格玛。
- 1|campaign_uid_offset
这是随机截距的另一种参数化。 bambi 在内部使用此转换以提高 MCMC 采样效率。通常这个转换后的参数默认是对用户隐藏的；也就是说，如果您使用 results.plot() 而不是 pm.traceplot(model.backend.trace) 制作跟踪图，那么这些项将被隐藏，除非您指定 transformed=True（默认情况下为 False）。它也默认隐藏在 results.summary() 输出中。有关此转换的详细信息，请参阅 this nice blog post by Thomas Wiecki。