r - glmer VS 锯齿 : different results in intercept-only hierarchical model

Question

爪牙

我在 JAGS 中有一个仅拦截逻辑模型，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 b0 的后验分布时在所有科目中崩溃(即所有 b0[j] )，我的 95% HDI 包括 0 : -0.55 to 2.13 .每个 b0 的有效样本大小远高于 10,000 (平均约 18,000)。诊断看起来不错。
glmer()
现在，这相当于 glmer()模型:

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

然而，这个模型的结果如下:

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

所以这里说我的估计是显着的 以上 0 .

数据是什么样的

这是 0s的比例和 1s按主题。可以看到，对于绝大多数科目， 1的比例超过 50%。

任何想法为什么 JAGS 和 glmer()这里有什么不同吗？

      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

Answer 1

您忘记包含平均值，因此您的截距参数固定为零。这样的事情应该工作:

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的后验密度应该匹配来自 glmer 的截距参数的采样分布相当不错。

或者，如果您使用 response ~ -1 + (1|subject)作为您的 glmer公式，您应该得到与您当前的 JAGS 模型匹配的结果。