#r #stan #multilevel-analysis #rstanarm
#r #stan #многоуровневый анализ #rstanarm
Вопрос:
Я создаю байесовскую многоуровневую модель в rstanarm для прогнозирования удовлетворенности по идентификатору участника в каждом году (используя год в качестве второго уровня) с демографическим контролем. (Я новичок в rstanarm, поэтому мой синтаксис может быть отключен). Формула:
stanmodel_levels <- stan_lmer(nhssat ~ 0 partyid age_category marital_status class region ethnic_minority (0 partyid_new | year), data = df, iter = 2200, chains = 4, seed = 1, adapt_delta = 0.999, QR = FALSE)
Переменная ответа ‘nhssat’ соответствует 5-балльной шкале Лайкерта. Поскольку я удаляю перехваты, чтобы предсказать фактические уровни удовлетворенности (т. Е. 3.5), Мой априор заключается в том, что коэффициенты будут близки к 3 и определенно не будут выше 5 и ниже 1.
У меня возникли проблемы с пониманием виньеток об указании априорных значений, учитывая, что это многоуровневая модель. Какой код мне нужно использовать, чтобы указать более точный априор, учитывая подобную природу переменной ответа?
Комментарии:
1. «Потому что я удаляю перехваты, чтобы предсказать фактические уровни удовлетворенности», не делайте этого. Кроме того, я надеюсь, вы знаете об этом: theanalysisfactor.com/can-likert-scale-data-ever-be-continuous В ваших моделях нет ничего, что препятствовало бы предсказаниям за пределами шкалы Лайкерта. Вы не должны (не можете?) разберитесь с природой вашей переменной ответа с помощью априоров. Вам нужно сделать это с помощью спецификации модели.
2. @Roland Я понимаю проблемы, связанные с использованием линейных моделей для переменной Лайкерта, но в количественной политологии это довольно часто делается. Я также оцениваю логистическую модель, которая дает аналогичные существенные результаты. Мой вопрос о приоритетах в первую очередь потому, что я обнаружил, что получаю расходящиеся переходы после прогрева, даже когда adapt_delta установлен на .999, и мне было интересно, помогут ли информативные априоры избежать этого.