r - glmer VS JAGS:仅截取的分层模型中的结果不同

杂物

我在JAGS中有一个仅拦截式的物流模型，定义如下：

model{
for(i in 1:Ny){
    y[i] ~ dbern(mu[s[i]])
}
for(j in 1:Ns){
    mu[j] <- ilogit(b0[j])
    b0[j] ~ dnorm(0, sigma)
}

sigma ~ dunif(0, 100)
}

当我绘制所有对象（即所有b0）崩溃的b0[j]的后验分布时，我的95％HDI包括0：-0.55 to 2.13。每个b0的有效样本大小都大于10,000（平均大约18,000）。诊断看起来不错。

glmer()

现在，这是等效的glmer()模型：

glmer(response ~ 1 + (1|subject), data = myData, family = "binomial")

但是，此模型的结果如下：

Random effects:
Groups  Name        Variance Std.Dev.
speaker (Intercept) 0.3317   0.576
Number of obs: 1544, groups:  subject, 27

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)
(Intercept)   0.7401     0.1247   5.935 2.94e-09 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

因此，这里说我的估算值大大高于0。

数据是什么样的

这是按主题的0s和1s的比例。您可以看到，对于大多数主题，1的比例超过50％。

为什么JAGS和glmer()如此不同？

      0    1
1  0.47 0.53
2  0.36 0.64
3  0.29 0.71
4  0.42 0.58
5  0.12 0.88
6  0.22 0.78
7  0.54 0.46
8  0.39 0.61
9  0.30 0.70
10 0.32 0.68
11 0.36 0.64
12 0.66 0.34
13 0.38 0.62
14 0.49 0.51
15 0.35 0.65
16 0.32 0.68
17 0.12 0.88
18 0.45 0.55
19 0.36 0.64
20 0.36 0.64
21 0.28 0.72
22 0.40 0.60
23 0.41 0.59
24 0.19 0.81
25 0.27 0.73
26 0.08 0.92
27 0.12 0.88

最佳答案

您忘记了包含平均值，因此您的拦截参数固定为零。这样的事情应该起作用：

model{
for(i in 1:Ny){
    y[i] ~ dbern(mu[s[i]])
}
for(j in 1:Ns){
    mu[j] <- ilogit(b0[j])
    b0[j] ~ dnorm(mu0, sigma)
}
mu0 ~ dnorm(0,0.001)
sigma ~ dunif(0, 100)
}

现在，mu0的后验密度应该与glmer的截距参数的采样分布合理地匹配。

或者，如果将response ~ -1 + (1|subject)用作glmer公式，则应获得与当前JAGS模型匹配的结果。