如何解释回归变量的后验概率？
How to interpret posterior probability of an regression variable?
我在 WINBUGS 中使用以下模型来 运行 分层贝叶斯回归，其中 beta 是我的协变量：
如果我通过添加以下代码修改此模型：
# posterior probabilities of Positive beta's
p.beta0 <- step( beta0 )
p.beta1 <- step( beta1 )
然后我可以评估 beta 协变量的（正或负）关联的后验概率 (PP)。
我的测试值是：
beta0 = 0.23434
beta1 = -0.4582
使用此代码，beta0 的 PP 为 0.959033，而 beta1 的 PP 为 0.015043。我对 beta0 的解释是这个协变有 95.9033% 的正相关。但是，我不确定如何解释 beta1，因为它具有负相关性和低后验概率。我不确定我计算后验概率的代码是否有问题。
欢迎任何见解。
beta 是您的回归系数，而不是协变量。要理解 beta0 和 beta1，您必须查看模型。其中一部分说 log(mu[i]) = beta0 + beta1*aff[i]/10，其中 mu[i] 是区域 i 的癌症发病率。 exp(beta0) 显示 aff = 0 的所有区域的平均癌症发病率。因为 beta1 = -0.4582 是负数，所以当 aff 增加时癌症发病率降低：每次将 aff 增加 10，对数癌症发病率降低 0.4582 .
我在 WINBUGS 中使用以下模型来 运行 分层贝叶斯回归，其中 beta 是我的协变量：
如果我通过添加以下代码修改此模型：
# posterior probabilities of Positive beta's
p.beta0 <- step( beta0 )
p.beta1 <- step( beta1 )
然后我可以评估 beta 协变量的（正或负）关联的后验概率 (PP)。
我的测试值是：
beta0 = 0.23434
beta1 = -0.4582
使用此代码，beta0 的 PP 为 0.959033，而 beta1 的 PP 为 0.015043。我对 beta0 的解释是这个协变有 95.9033% 的正相关。但是，我不确定如何解释 beta1，因为它具有负相关性和低后验概率。我不确定我计算后验概率的代码是否有问题。
欢迎任何见解。
beta 是您的回归系数，而不是协变量。要理解 beta0 和 beta1，您必须查看模型。其中一部分说 log(mu[i]) = beta0 + beta1*aff[i]/10，其中 mu[i] 是区域 i 的癌症发病率。 exp(beta0) 显示 aff = 0 的所有区域的平均癌症发病率。因为 beta1 = -0.4582 是负数，所以当 aff 增加时癌症发病率降低：每次将 aff 增加 10，对数癌症发病率降低 0.4582 .