regression - 如何解释回归变量的后验概率？

Question

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来修改此模型：

# posterior probabilities of Positive beta's
p.beta0 <- step( beta0 )
p.beta1 <- step( beta1 )

然后我可以评估PPbeta 协变量（正或负）关联的后验概率 ( )。

我的 beta 值是：

beta0 = 0.23434
beta1 = -0.4582

使用此代码，PPofbeta0是0.959033，而PPofbeta1是0.015043。我的解释beta0是，这种 covaraite 有 95.9033% 的正相关。但是，我不确定如何解释，beta1因为这具有负关联和低后验概率。我不确定计算后验概率的代码是否存在问题。

欢迎任何见解。

标签： regressionbayesianmcmcwinbugsr2winbugs

Answer 1

beta是您的回归系数，而不是协变量。要了解beta0，beta1您必须查看模型。一部分是说log(mu[i]) = beta0 + beta1*aff[i]/10，哪里mu[i]是癌症发病率的地区i。exp(beta0)显示 aff = 0 时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，癌症发病率会降低：每次将 aff 增加 10，对数癌症发病率就会降低 0.4582。