如何解释回归变量的后验概率？

Question

我正在WINBUGS中使用以下模型来运行分层的贝叶斯回归，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β协变量（正或负）关联的后验概率（PP）。

我的beta值是：

beta0 = 0.23434
beta1 = -0.4582

使用此代码，PP的{​​{1}}是beta0，而0.959033的{​​{1}}是PP。我对beta1的解释是，这种Covaraite有95.9033％的正向关联。但是，我不确定如何解释0.015043，因为它具有负关联且后验概率低。我不确定我的计算后验概率的代码是否有问题。

欢迎任何见识。

Answer 1

beta是您的回归系数，而不是协变量。要了解beta0和beta1，您必须查看模型。它的一部分表示log(mu[i]) = beta0 + beta1*aff[i]/10，其中mu[i]是区域i的癌症发生率。 exp(beta0)向您显示aff = 0的所有区域的平均癌症发生率。由于beta1 = -0.4582为负，当aff增加时，癌症发生率降低：每增加aff 10，对数癌症发生率就降低0.4582 。