简单
brm_simulate_simple（）模拟先前的数据集MMRM的简单特殊情况的预测分布。
图书馆（brms.mmrm）
设置种子(0)
模拟<- brm模拟简单(
n组= 三,
n病人= 100,
n时间= 4
)
这个数据元素有一个类易怒的你可以直接供应给brm_formula（）和brm_model（）.
模拟$数据
#>#A桥：1200×4
#>反应组时间患者
#><dbl><chr><chr
#>1 1.11组_1时间_1患者_001
#>2 2.15组_1时间_2患者_001
#>3 2.54组_1时间_3患者_001
#>4-1.73组_1次_4患者_001
#>5 1.11组_1时间_1患者_002
#>6 2.64组_1时间_2患者_002
#>7 1.69组_1时间_3患者_002
#>8 0.783组_1时间_4患者_002
#>9 0.118组_1时间_1患者_003
#>10 2.48组_1时间_2患者_003
#> # ℹ 1190多行
这个参数元素具有相应的参数先前关节模拟的值。的参数brm_simulate_simple（）控制超参数。
字符串（模拟$参数）
#>列表（共5个）
#>贝塔系数：数值[1:6]1.263-0.326 1.33 1.272 0.415。。。
#>$套：编号[1:4]-0.092857-0.029472-0.000577 0.240465
#>西格玛：数量[1:4]0.911 0.971 0.999 1.272
#>$lambda:num[1:4，1:4]1 0.415-0.818-0.282 0.415。。。
#>$协方差：num[1:4，1:4]0.831 0.368-0.745-0.326 0.368。。。
以及模型矩阵元素具有回归模型固定效应参数矩阵。
头（模拟$模型矩阵）
#>groupgroup_1groupgroup_2 groupgroup_3time_2 timetime_3timetime_4
#> 1 1 0 0 0 0 0
#> 2 1 0 0 1 0 0
#> 3 1 0 0 0 1 0
#> 4 1 0 0 0 0 1
#> 5 1 0 0 0 0 0
#> 6 1 0 0 1 0 0
更改自基线
brm_data_change（）可以将结果变量从对基线变化的原始响应。这适用于实际数据集传递[brm_data（）]以及来自例如[brm_simulate_simple（）]。上面的数据集使用带有基线时间点“时间_1”
模拟$数据
#>#A桥：1200×4
#>反应组时间患者
#><dbl><chr><chr
#>1 1.11组_1时间_1患者_001
#>2 2.15组_1时间_2患者_001
#>3 2.54组_1时间_3患者_001
#>4-1.73组_1次_4患者_001
#>5 1.11组_1时间_1患者_002
#>6 2.64组_1时间_2患者_002
#>7 1.69组_1时间_3患者_002
#>8 0.783组_1时间_4患者_002
#>9 0.118组_1时间_1患者_003
#>10 2.48组_1时间_2患者_003
#> # ℹ 1190多行
brm_data_change（）减去基线，替换原始对基线列进行新更改的响应列，添加新的列，并调整内部类对象的属性。
brm_data_更改(
数据=模拟$数据，
名称更改（_C）= “新建更改”,
名称基线= “新基线”
)
#>#A桥：900×5
#>new_change new_baseline组时间患者
#>＜dbl＞＜dbl＞＜chr＞＜chr＞＜chr＞
#>1 1.04 1.11组_1时间_2患者_001
#>2 1.43 1.11组_1时间_3患者_001
#>3-2.84 1.11组_1时间_4患者_001
#>4 1.53 1.11组_1时间_2患者_002
#>5 0.576 1.11组_1时间_3患者_002
#>6-0.328 1.11组1次4名患者_002
#>7 2.37 0.118组_1时间_2患者_003
#>8 3.07 0.118组_1时间_3患者_003
#>9-1.14 0.118组_1时间_4患者_003
#>10 1.57 1.29组_1时间_2患者_004
#> # ℹ 890多行
高级
要进行更精细的模拟，请逐层构建数据集。从开始brm_simulate_outline（）创建首字母结构和随机缺失模式。在brm_simulate_outline（），缺少的响应可能来自短暂的并发事件或辍学。这个丢失的列指示将使用的结果值缺少(NA_批准_)在随后的步骤中。这个响应列暂时完全缺失，将稍后进行模拟。
数据<- brm_simulate_outline（模拟输出）(
n组= 2,
n病人= 100,
n时间= 4,
费率_比例= 0.3
)
数据
#>#A桥：800×5
#>反应缺失组时间患者
#><dbl><lgl><chr><chr
#>1 NA假group_1 time_1 patient_001
#>2 NA真组_1时间_2患者_001
#>3 NA TRUE组_1时间_3患者_001
#>4 NA TRUE组_1 time_4 patient_001
#>5 NA假group_1 time_1 patient_002
#>6 NA错误组_1 time_2 patient_002
#>7 NA真组_1时间_3患者_002
#>8 NA TRUE组_1 time_4 patient_002
#>9 NA假group_1 time_1 patient_003
#>10 NA假group_1 time_2 patient_003
#> # ℹ 还有790行
可选添加随机连续协变量brm_simulate_continuous（）和随机分类协变量使用brm _模拟_类别（）在每种情况下协变量是非时间变量，这意味着每个患者只能得到一个独特的价值。
数据<-数据|>
brm模拟连续(姓名= c（c）(“生物标志物1”,“生物标志物2”))|>
brm模拟分类(
姓名= c（c）(“状态1”,“状态2”),
水平= c（c）(“存在”,“缺席”)
)
数据
#>#A桥：800×9
#>响应缺失组时间患者生物标记1生物标记2状态1状态2
#><dbl><lgl><chr><chr><dbl><dbl><chr><chr
#>1 NA FALSE group_1 time_1患者…0.328-0.655存在缺失
#>2 NA TRUE组_1 time_2患者…0.328-0.655不存在
#>3 NA TRUE组_1时间_3患者…0.328-0.655不存在
#>4 NA TRUE组_1时间_4患者…0.328-0.655存在-不存在
#>5 NA FALSE group_1 time_1患者…1.04-0.779缺席
#>6 NA FALSE group_1 time_2患者…1.04-0.779缺席
#>7 NA TRUE组_1 time_3患者…1.04-0.779缺失
#>8 NA TRUE组_1 time_4患者…1.04-0.779缺失
#>9 NA FALSE group_1 time_1患者…0.717-0.954存在缺失
#>10 NA FALSE group_1 time_2患者…0.717-0.954不存在
#> # ℹ 还有790行
如下一节所述，brms.mmrm公司有一个方便的功能brm_simulate_prior（）以模拟结果变量响应使用上面的数据框架和先验预测分布。但是，如果您喜欢全定制方法，您可能需要有关参数化的详细信息，这需要模型矩阵。幸运的是，业务风险管理系统支架一make_standata（）函数，在给定数据集的情况下提供和一个公式。您可能需要临时将响应变量设置为没有遗漏，您可能希望在前面指定自定义。
图书馆（brms）
公式<- brm公式(数据=数据）
#>警告：包含NA的行已从模型中排除。
#>错误：数据中的所有观察值都可能因NA值而被删除。
公式
#>反应~组+组：时间+时间+unsr（时间=时间，gr=患者）
#>sigma~0+时间
标准数据<- make_standata品牌(
公式=公式，
数据= 突变（数据，响应= 0)
)
模型矩阵<-标准数据$X
头（模型矩阵）
#>拦截组group_2 timetime_2 timetime_3 timetime_4
#> 1 1 0 0 0 0
#> 2 1 0 1 0 0
#> 3 1 0 0 1 0
#> 4 1 0 0 0 1
#> 5 1 0 0 0 0
#> 6 1 0 1 0 0
#>组2:timetime_2组2:timetime_3组2:timetime_4
#> 1 0 0 0
#> 2 0 0 0
#> 3 0 0 0
#> 4 0 0 0
#> 5 0 0 0
#> 6 0 0 0
之前
功能brm_simulate_prior（）模拟之前的预测分布。它需要数据集和公式接受之前使用构造的自定义brms:：设置优先级（）.
公式<- brm公式(数据=数据）
#>错误：数据中的所有观察值都可能因NA值而被删除。
图书馆（brms）
先前的<- 设置优先级(“学生_（3，0，1.3）”,类= “拦截”)+
设置优先级(“学生_（3，0，1.2）”,类= “b”)+
设置优先级(“学生_（3，0，1.1）”,类= “b”,数据保护器= “西格玛”)+
设置优先级(“lkj（1）”,类= “科蒂姆”)
先前的
#>上等coef组resp dpar nlpar lb ub源
#>student_t（3，0，1.3）拦截<NA><NA>用户
#>student_t（3，0，1.2）b<NA><NA>用户
#>学生_（3，0，1.1）bσ<NA><NA>用户
#>lkj（1）cortime<NA><NA>用户
模拟<- brm _模拟_之前(
数据=数据，
公式=公式，
先前=之前，
刷新= 0
)
输出对象模拟从上一个抽签预测分布。sim$结果有结果抽奖，并且sim$参数具有参数绘制。模拟$模型矩阵具有模型矩阵，并且sim$模型已满业务风险管理系统模型拟合对象。你可以通过sim$模型到来自的函数业务风险管理系统和贝叶斯图例如pp_检查（）.
姓名（模拟）
#>[1]“data”“model”“model_matrix”“outcome”“parameters”
此外，sim$数据有原件的副本数据集，但结果变量取自先验预测分布。此外，缺失模式自动应用，以便sim$data$响应是NA_批准_无论何时缺少sim$data$等于真的.
模拟$数据
#>#A桥：800×9
#>响应缺失组时间患者生物标记1生物标记2状态1状态2
#><dbl><lgl><chr><chr><dbl><dbl><chr><chr
#>1-0.0490 FALSE group_1 time_1患者…0.328-0.655存在缺失
#>2 NA TRUE组_1 time_2患者…0.328-0.655不存在
#>3 NA TRUE组_1时间_3患者…0.328-0.655不存在
#>4 NA TRUE group_1 time_4患者…0.328-0.655不存在
#>5 7.19 FALSE group_1 time_1患者…1.04-0.779缺席
#>6 3.18 FALSE group_1 time_2患者…1.04-0.779缺席
#>7 NA TRUE组_1 time_3患者…1.04-0.779缺失
#>8 NA TRUE组_1 time_4患者…1.04-0.779缺失
#>9 15.6 FALSE group_1 time_1患者…0.717-0.954不存在
#>10 0.203假组_1时间_2患者…0.717-0.954存在-不存在
#> # ℹ 还有790行
后面的
业务风险管理系统支持后验预测模拟和检查功能后期或预测（）,后_epred（）、和pp_检查（）。这些可以与业务风险管理系统模型拟合对象brm_model（）或来自brm_simulate_prior（）.
数据<-模拟$数据
公式<- brm公式(数据=数据）
模型<- brm模型(数据=数据，公式=公式，刷新= 0)
输出_绘图<- 后预测(对象=型号）
返回的结果_图纸对象是一个数字数组后验预测绘制，每次绘制一行，每次绘制一列原始数据中未缺失的观测值（行）。
字符串（结果_图纸）
#>编号[1:4000，1:659]11.742 0.536 0.686-8.36-6.803。。。
昏暗的（数据）
#> [1] 800 9
总和(!国际标准编号（数据$响应））
#> [1] 659