概述

使用贝叶斯涅克我们包含了一个允许后验预测的自举比较。这里的主要焦点是为了展示用户如何适应几种不同的英国国家经济委员会模型适合并可以比较后验预测中的差异通过这些适合于个体毒性评估（例如NEC公司,北欧共体,NSEC公司或ECx公司)或跨范围预测值。下面我们演示比较_后对于类的对象拜耳公司和贝叶斯曼拟合。在本例中我们使用单个数据集。然而，此函数的目的是允许比较跨不同的数据集，例如可能表示不同的固定因子的水平是协变量。此时此刻英国国家经济委员会做不允许包含与固定因子的相互作用。包括一个中实现的每个非线性模型中的交互项贝叶斯涅克相对简单，可能在未来版本中引入。然而，在许多情况下响应的形式可能会随着给定因素的不同水平而变化。定义所有可能的非线性模型的实质复杂性各因素水平的组合意味着这不太可能可在中实现贝叶斯涅克在短期内。在同时，个人功能形式的最大灵活性模型拟合可以很容易地使用独立拟合的模型来获得每个因素级别内的数据。

为了运行这个小插曲，我们还需要一些额外的包

图书馆（ggplot2）

比较后部毒性值

设置种子(333)
图书馆（brms）
图书馆（贝叶斯内克）
数据（必需数据）

make_ecx数据<- 功能（顶部、底部、ec50、beta、x）{
顶部+（机器人程序-顶部）/(1 + 经验（第50周-x）* 经验（测试版））
}
x个<- 序列(0,10,长度= 12)
年<- make_ecx数据(x个=x、，机器人程序= 0,顶部= 1,β= 0.5,50欧元= 5)
设置种子(333)
数据<- 数据帧(x个= 代表（x，15),年= rnorm公司(15 * 长度（x） ，是的，0.2))
#适合一组模型
exmp公司<- 英国国家经济委员会（年）~ crf公司（x，模型= “拒绝”),数据=日期，刷新= 0,
             打开_进程= 错误的)

班（不包括）
#>[1]“bayesmanecfit”“bnecfit”

此调用适用于所有适合建模的模型高斯分布响应数据，不包括所有刺激模型，我们这里不考虑。现在我们有了我们的示例适合，我们可以使用它来制作不同的模型集，纯粹用于说明的目的比较_后在里面贝叶斯涅克并强调丰富的信息包含在贝叶斯后抽签中。

我们可以把nec公司模型和欧洲央行分别创建模型，以创建两个备选模型我们可以相互比较的这些数据的拟合，以及起初的全部的模型拟合。

示例（_EC）<- 拉出（_O）（例如，模型= “不适用”)
示例（_E）<- 拉出（_O）（例如，模型= “ecx”)

现在我们有三种不同的平均模型拟合，都是一流的巴耶梅内克在这种情况下（因为它们都包含多个配合）。我们可以比较他们对ecx10值的后验估计使用比较_后.

post_comp（后编译）<- 比较_后(列表(“全部” =例如，“ecx” =例如，
                                    “不适用” =exmp_nec），
                               比较= “ecx”,ecx_val值= 10)
姓名（post_comp）
#>[1]“posterrior_list”“posterior_data”“diff_list）”“diff数据”“prob_diff”

这个比较_后函数输出多个元素在命名列表中。这包括后验数据对于比较中的每个模型数据帧我们可以用于绘制地理密度后验估计图，从而可以在视觉上进行比较。

ggplot图(数据=post_comp（后编译）$后验数据，映射= 原子发射光谱(x个=值））+ 
  地理密度(映射= 原子发射光谱(组=模型，颜色=模型，填充=型号），
               阿尔法= 0.3)+
  主题_经典()

块exmp4-后视图

从这里你可以看到欧盟委员会₁₀估计值是与欧洲央行和全部的模型套。这是因为欧洲央行模型类型主导此中的模型权重全部的配合，请参见无线在里面示例$mod_stats. The欧盟委员会₁₀估计为略低（更保守）欧洲央行基于模型。

这个数据帧 差异数据（_D）可以用来制作一个类似的情节，但要特别注意模型。

ggplot图(数据=post_comp（后编译）$差异数据，映射= 原子发射光谱(x个=差异）+
  地理密度(映射= 原子发射光谱(组=比较，颜色=比较，
                             填充=比较），阿尔法= 0.3)+
  主题_经典()

区块exmp4差异图

这显示了三种估计之间的差异。没有在欧洲央行和全部的估计值（概率密度与零红色阴影曲线重叠）。这是因为在本例中，模拟数据来自平滑欧洲央行类型曲线，因此这些模型具有较高的权重。这个nec公司基于欧盟委员会₁₀估计值是大于欧洲央行在这种情况下基于估计。

我们可以正式测试毒性评估的概率一个模型集比另一个使用后验差分的模型集大。这包含在比较后输出中prob_diff（问题差异）在这里你可以看到62%的可能性全部的大于欧洲央行。只有14%的几率欧洲央行大于nec公司86%的几率nec公司是大于欧洲央行.

post_comp（后编译）$prob_diff（问题差异）
#>比较问题
#>1个全ecx 0.6160770
#>2个全nec 0.2700338
#>3 ecx-nec 0.1443930

比较后验拟合值

用户还可以比较整个x值的范围，使用比较=“已安装”.

提交的post_comp_fitted<- 比较_后(列表(“全部” =例如，“ecx” =例如，
                                           “不适用” =exmp_nec），
                                      比较= “已安装”)

在以下情况下比较=“已安装”大多数返回的元素比较_后是班级数据帧，具有后验概率的摘要值，的每个值返回的差值和概率预测器，用于每个模型或模型比较。

头（提交后_压缩$后验数据）
#>型号x估算Q2.5 Q97.5
#>1全部0.09090909 1.020778 0.9663590 1.084920
#>2全部0.29313544 1.020645 0.9663378 1.083134
#>3全部0.49536178 1.020406 0.9663378 1.080866
#>4全部0.69758813 1.020050 0.9662984 1.078648
#>5全部0.89981447 1.019724 0.9662984 1.076251
#>6全部1.10204082 1.019195 0.9662886 1.073099
头（提交后_压缩$差异数据）
#>比较差异估算差异Q2.5差异Q97.5 x
#>1所有ecx-0.006377007-0.08644327 0.07743305 0.09090909
#>2所有ecx-0.006358821-0.08530609 0.07573855 0.29313544
#>3所有ecx-0.006258424-0.08354907 0.07444896 0.49536178
#>4所有ecx-0.006251275-0.08176871 0.07254152 0.69758813
#>5所有ecx-0.005755167-0.08009080 0.07157816 0.89981447
#>6所有ecx-0.005438621-0.07845105 0.06951660 1.10204082

使用整理后的后验数据，我们可以绘制预测曲线每个输入模型的置信区间。这清楚地表明那个欧洲央行模型集开始下降的时间早于这个nec公司设置，在nec公司步进点，然后下降得更快。

ggplot图(数据=提交的post_comp_fitted$后验数据）+
  地理线(映射= 原子发射光谱(x个=x、，年=估算，颜色=型号），
            线宽= 0.5)+
  地理_带状(映射= 原子发射光谱(x个=x、，伊敏=第2季度.5,ymax公司=第97季度.5,填充=型号），
              阿尔法= 0.3)+
  实验室(x个= “集中度”,年= “后验估计”)+
  主题_经典()

块exmp4-fitted图

我们可以通过以下方式绘制列表中模型对之间的差异绘图差异估算从差异数据（_D）和使用颜色进行不同的比较。此图突出显示了以下位置这些模型集之间的差异最大，解释了我们在上面看到的差异欧盟委员会₁₀毒性估计。这个欧洲央行和全部的模型集在整个浓度范围内相对相似（红色频带重叠为零）。绿色带是nec公司和全部的（具体而言全部的-nec公司)蓝色的带子是之间的差异nec公司和欧洲央行（具体而言欧洲央行-nec公司). 你可以看到从绿色和蓝色条纹nec公司集合具有估计值略低于全部的和欧洲央行预测值低至中等；这个nec公司基础曲线然后与其他两条曲线交叉，预测4-5浓度左右的响应值较高；然后快速下降，产生的预测值低于其他曲线大约5。

ggplot图(数据=提交的post_comp_fitted$差异数据）+
  地理线(映射= 原子发射光谱(x个=x、，年=差异估算，颜色=比较），
            线宽= 0.5)+
  地理功能区(映射= 原子发射光谱(x个=x、，伊敏=差异Q2.5,ymax公司=差异Q97.5,
              填充=比较），阿尔法= 0.3)+
  实验室(x个= “浓度”,年= “后验差”)+
  主题_经典()

块exmp4-fitteddiff图

最后，我们可以绘制出一个模型更大的概率而不是通过绘图问题从差异数据（_D）。此图的图案与差异图，但y轴现在显示了这些差异的概率差异。红线徘徊在0.5左右，清楚地表明缺乏在欧洲央行和全部的模型设置在预测轴的任意点。这个绿色和蓝色曲线在几个点上通过0.5，这意味着是曲线中没有显著差异的部分这个nec公司以及欧洲央行或全部的模型集预测。最大概率这些曲线之间的差异在预测值，其中差异概率趋向于低值(欧洲央行高于nec公司)、和5左右，概率差非常大(nec公司高于欧洲央行). 这些是the two points where the欧洲央行集合与nec公司设置。

ggplot图(数据=提交的post_comp_fitted$prob_diff）+
  地理线(映射= 原子发射光谱(x个=x、，年=问题，颜色=比较），
            线宽= 0.5)+
  实验室(x个= “集中度”,年= “差异概率”)+
  主题_经典()

块exmp4-probplot的绘图

这里我们使用欧洲央行和nec公司模型集纯粹是为了展示比较_后并强调使用贝叶斯方法。这种情况下会出现这些差异，因为我们使用的模拟数据来自平滑交易所功能。这个nec公司模型是拟合一个平均值高达nec公司随后是相对急剧的下降。什么时候？适合这些平滑曲线nec公司模型没有真正很好地拟合数据，并产生膨胀（不那么保守）估计欧盟委员会₁₀值。幸运的是，模型平均法通过将这个nec公司基于模型，以及全部的模型集与欧洲央行设置，其中包含本例中的底层真生成模型。像这样的，除了说明的行为nec公司此设置中的模型类型。

这个比较_后实际开发了功能目的是将基于不同数据的模型集与从统计学上评估毒性估计值的差异，或在整个拟合曲线上，在感兴趣的因素中。示例将包括评估不同WET的毒性变化通过时间进行测试，或比较不同水平的因子处理变量（如气候变化情景），以了解这些与浓度相互作用影响毒性。