使用brms处理结果定义不完善的逻辑回归问题遇阻

问题根源 #

你当前的模型公式中，nlf(p~inv_logit(X1 + X2 + X3))直接将协变量相加，没有为每个协变量指定待估计的回归系数，brms无法识别需要估计X1/X2/X3的效应，因此只输出了Se和Sp的后验结果。

修正方案 #

有两种更规范的写法可以让brms正确估计协变量系数：

写法一：手动声明系数（适合需要自定义系数名称的场景） #

# 修正后的模型公式
bform <- bf(
  Y ~ q,
  nlf(q ~ Se * p + (1 - p) * (1 - Sp)),
  nlf(p ~ inv_logit(b0 + b1*X1 + b2*X2 + b3*X3)),
  Se + Sp ~ 1,
  b0 + b1 + b2 + b3 ~ 1,  # 明确声明这些是待估计的参数
  nl = TRUE,
  family = bernoulli("identity")
)

# 补充系数的先验（可根据业务需求调整）
bprior <- set_prior("beta(4.6, 0.86)", nlpar = "Se", lb = 0, ub = 1) +
  set_prior("beta(77.55, 4.4)", nlpar = "Sp", lb = 0, ub = 1) +
  set_prior("normal(0, 2)", nlpar = "b0") +
  set_prior("normal(0, 2)", nlpar = "b1") +
  set_prior("normal(0, 2)", nlpar = "b2") +
  set_prior("normal(0, 2)", nlpar = "b3")

# 运行模型
model <- brm(bform, data = bd, prior = bprior, init = "0")
summary(model)

写法二：利用brms线性预测器语法（更简洁，推荐） #

直接通过eta ~ X1 + X2 + X3声明协变量效应，brms会自动生成对应系数：

# 修正后的模型公式
bform <- bf(
  Y ~ q,
  nlf(q ~ Se * p + (1 - p) * (1 - Sp)),
  p ~ inv_logit(eta),
  eta ~ X1 + X2 + X3,  # 常规公式写法，自动处理协变量效应
  Se + Sp ~ 1,
  nl = TRUE,
  family = bernoulli("identity")
)

# 补充先验，为eta的所有系数统一设置先验
bprior <- set_prior("beta(4.6, 0.86)", nlpar = "Se", lb = 0, ub = 1) +
  set_prior("beta(77.55, 4.4)", nlpar = "Sp", lb = 0, ub = 1) +
  set_prior("normal(0, 2)", class = "b", nlpar = "eta")

# 运行模型
model <- brm(bform, data = bd, prior = bprior, init = "0")
summary(model)

关键说明 #

• 对于因子型变量X2、X3，brms会自动处理水平编码（默认生成虚拟变量），系数代表对应水平相对于参考水平的logit尺度效应。
• 运行summary(model)后，就能在输出中看到协变量X1/X2/X3的系数后验分布（包括均值、置信区间等）。

内容的提问来源于stack exchange，提问作者Buczinski