如何解释回归变量的后验概率？

Question

我在 WINBUGS 中使用以下模型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 beta 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，beta0 的PP 是0.959033，而beta1 的PP 是0.015043。我对beta0 的解释是这个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。

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。其中一部分说log(mu[i]) = beta0 + beta1*aff[i]/10，其中mu[i] 是i 区域的癌症发病率。 exp(beta0) 显示 aff = 0 时所有区域的平均癌症发病率。因为beta1 = -0.4582 为负数，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。