在 R 中的 BayesFactor 包中调整先验
Adjusting priors in the package BayesFactor in R
我有一些试验数据，我应该能够利用这些数据在较新的数据集上调整贝叶斯 t 检验中的先验。
我一直在通过 R 中的 BayesFactor 包使用默认设置执行贝叶斯 t 检验。任何人都可以阐明我如何为这样的测试调整先验吗？
此外，我需要从试点数据中获得什么才能实现这一目标？我怀疑效果大小？
以下是如何使用默认设置使用贝叶斯 t 检验的示例：
ttestBF(x = df1$Value, df2$Value, paired = TRUE)
谢谢你的时间。
参考 Rouder et al. 2009。 R 中的 BayesFactor 包使用 JZS 先验。参见ttestBF函数文档中的解释：
A noninformative Jeffreys prior is placed on the variance of the normal population, while a Cauchy prior is placed on the standardized effect size. The rscale argument controls the scale of the prior distribution, with rscale=1 yielding a standard Cauchy prior. See the references below for more details.
For the rscale argument, several named values are recognized: "medium", "wide", and "ultrawide". These correspond to r scale values of sqrt(2)/2, 1, and sqrt(2) respectively.
然后在论文中说：
For both JZS and scaled-information priors, as r
is increased, the Bayes factor provides increased support for the null.
这基本上意味着，如果您期望效果量非常小，则应降低 r 参数。
关于你的第二个问题：
您应该能够使用您的试点数据作为预期效果大小的估计，并相应地调整先验。
请注意，您不应根据观察到的数据（即新数据）调整先验。
此外，关于 BayesFactor 包，我假设默认先验应该适用于大多数数据（至少如果它来自心理学）。请参阅帮助功能中提供的其他参考资料。
我希望这能有所帮助 :) 不幸的是，我无法告诉您是否或如何计算您的效果大小的最佳比例，因为对于非常大的样本大小，效果大小和 BF 之间也存在权衡.
我有一些试验数据，我应该能够利用这些数据在较新的数据集上调整贝叶斯 t 检验中的先验。
我一直在通过 R 中的 BayesFactor 包使用默认设置执行贝叶斯 t 检验。任何人都可以阐明我如何为这样的测试调整先验吗？
此外，我需要从试点数据中获得什么才能实现这一目标？我怀疑效果大小？
以下是如何使用默认设置使用贝叶斯 t 检验的示例：
ttestBF(x = df1$Value, df2$Value, paired = TRUE)
谢谢你的时间。
参考 Rouder et al. 2009。 R 中的 BayesFactor 包使用 JZS 先验。参见ttestBF函数文档中的解释：
A noninformative Jeffreys prior is placed on the variance of the normal population, while a Cauchy prior is placed on the standardized effect size. The rscale argument controls the scale of the prior distribution, with rscale=1 yielding a standard Cauchy prior. See the references below for more details.
For the rscale argument, several named values are recognized: "medium", "wide", and "ultrawide". These correspond to r scale values of sqrt(2)/2, 1, and sqrt(2) respectively.
然后在论文中说：
For both JZS and scaled-information priors, as r is increased, the Bayes factor provides increased support for the null.
这基本上意味着，如果您期望效果量非常小，则应降低 r 参数。
关于你的第二个问题：
您应该能够使用您的试点数据作为预期效果大小的估计，并相应地调整先验。
请注意，您不应根据观察到的数据（即新数据）调整先验。
此外，关于 BayesFactor 包，我假设默认先验应该适用于大多数数据（至少如果它来自心理学）。请参阅帮助功能中提供的其他参考资料。
我希望这能有所帮助 :) 不幸的是，我无法告诉您是否或如何计算您的效果大小的最佳比例，因为对于非常大的样本大小，效果大小和 BF 之间也存在权衡.