具有分类预测器的有序模型
下面是一个带有分类预测因子的序数模型：
数据（食管）
m_esoph_rs= 标准普尔（托布普~年龄gp，数据=食管，先前= R2级(0.25),前计数=圣塔那主义::迪里克莱(1))
这个rstanam:：posterrior_linpred（）序数函数rstanam中的回归模型返回每个模型的链接级预测绘制（与brms:：后验_epred（），返回序数模型的每个类别一个预测，参见序数中的回归示例渐晕（“tidy-brms”）).不幸的是，rstanam:：posterrior_epred（）不提供这种格式。哲学河豚就是整理无论模型输出什么格式，因此要与之保持一致哲学，当应用于序数时圣塔那主义模型，我们将使用示例add_linpred_draws（）并演示如何将它们转换为预测的每类概率。
例如，下面是链接级别匹配的绘图：
食管%>%
数据网格（年龄）%>%
添加_禁止绘制（m_esoph_rs）%>%
ggplot图(原子发射光谱(x个= as.数字（agegp），年=.linpred））+
stat_lineribbon状态()+
规模灌装机(调色板= “灰色”)
这可能很难解释。将其转化为预测基于每个类别的概率，我们必须使用有序logistic回归定义了类别\（j） 或更少作为：
\[\textrm{logit}\left[Pr（Y\le j）\right]=\alpha_j-\beta x\]
因此，类别的概率\（j）是：
\[\开始{align}Pr（Y=j）&=Pr（Y \le j）-Pr（Y \ le j-1）\\&=\textrm{logit}^{-1}（\alpha_j-\beta x）-\textrm{logit}^{-1}（\alpha{j-1}-\betax）\结束{对齐}\]
要获得这些值，我们需要两件事：
中的阈值圣塔那主义是带名称的系数包含|，指示它们属于哪些类别阈值介于之间。我们可以在变量列表中看到这些参数在模型中：
##[1]“agegp.L”“agegp.Q”“agegp.C”“age gp^4”“age GP^5”“0-9g/天|10-19”##[7]“10-19|20-29”“20-29|30+”“accept_stat__”“stepsize__”“treedepth__”“n_leapfrog__”##[13]“发散_”“能量_”
我们可以使用正则表达式=真的参数gather_draws（）到查找包含|字符。我们会的使用dplyr:：summarie_all（列表）扭转这些门槛添加到列表列中，并添加一个等于\（+\infty\）（代表最高类别）：
阈值=m_esoph_rs%>%
gather_图纸(`.*[|].*`,正则表达式= 真的)%>%
分组方式（_B）（.绘制）%>%
选择（.绘制，阈值=.值）%>%
summary_all（汇总_全部）（列表）%>%
突变(阈值= 地图（阈值，~ c（c）(.,Inf公司)))
头（阈值，10)
| 1 |
-0.9705395、0.1546626、1.0081490，Inf |
| 2 |
-0.9440384、0.4085346、1.3570899，输入 |
| 三 |
-0.9003523、0.3782366、1.2743608，Inf |
| 4 |
-1.2188781、0.0994917、1.3055824，Inf |
| 5 |
-0.9174891、0.2009267、1.2257299，Inf |
| 6 |
-1.09787791、0.08797248、1.18605543，Inf |
| 7 |
-0.87089841，0.09926307，1.47029966，Inf公司 |
| 8 |
-1.0844373、0.4159425、1.2738333，Inf |
| 9 |
-0.5233614、0.4653772、1.6083016，Inf |
| 10 |
-1.2770482，0.2212309，1.0815977，Inf公司 |
例如，来自此数据帧的一行的阈值向量（即从后面抽签）如下所示：
## [[1]]##[1]-0.9705395 0.1546626 1.0081490信息
我们可以组合这些阈值（\（\alpha_j\）上述公式中的值）使用.linpred公司来自的列add_linpred_draws（）(\（\βx \）根据上述公式）计算每类概率：
食管%>%
数据网格（年龄）%>%
添加_输入_绘图（m_esoph_rs）%>%
inner_join（内部联接）（阈值，由= “.绘制”,多重= “全部”)%>%
突变(`P（Y=类别）` = 微管相关蛋白2（阈值，.linpred，功能（α，βx）
#这部分是logit^-1（alphaj-beta*x）-logit^-1
普洛吉斯（阿尔法-β_x）-
普洛吉斯(滞后（α，默认= -Inf公司)-β_x）
))%>%
突变(.类别= 列表(水平（食管$tobgp）））%>%
使不安(c（c）（阈值，`P（Y=类别）`，.类别））%>%
ggplot图(原子发射光谱(x个=年龄gp，年= `P（Y=类别）`,颜色=.类别））+
统计点间隔(位置= 位置_对象(宽度=.4))+
缩放_大小_连续(指南= “无”)+
刻度-颜色-手动(值= 酿酒商.pal(6,“蓝色”)[-c（c）(1,2)])
很难看到上述图中类别的变化；让我们试着做一些能更好地说明每个分布的要点的事情年份：
食管裂孔=食管%>%
数据网格（年龄）%>%
添加_输入_绘图（m_esoph_rs）%>%
inner_join（内部联接）（阈值，由= “.绘制”,多重= “全部”)%>%
突变(`P（Y=类别）` = 微管相关蛋白2（阈值，.linpred，功能（α，βx）
#这部分是logit^-1（alphaj-beta*x）-logit^-1
普洛吉斯（阿尔法-β_x）-
普洛吉斯(滞后（α，默认= -Inf公司)-β_x）
))%>%
突变(.类别= 列表(水平（埃索夫$tobgp）））%>%
使不安(c（c）（阈值，`P（Y=类别）`，.类别））%>%
ggplot图(原子发射光谱(x个= `P（Y=类别）`,年=.类别））+
坐标_自流(展开= 错误的)+
面_网格(.~年龄gp，交换机= “x”)+
主题_经典()+
主题(带状背景= 元素_blank(),条带放置= “外部”)+
gg标题(“P（烟草消费类别|年龄组）”)+
xlab公司(“年龄组”)
食管裂孔+
统计摘要(有趣=中值的，地理= “酒吧”,填充= “灰色65”,宽度= 1,颜色= “白色”)+
统计点间隔()
这种情况下的条形图可能会产生错误的精确度，因此我们也可以尝试CCDF条形图：
食管裂孔+
统计_ccdfinterval()+
expand_limits（扩展限制）(x个= 0)#确保条变为0
该输出应与相应的m_esoph_brm（电子邮件）中的模型渐晕（“tidy-brms”）（模数不同的先验值），尽管生产需要更多的工作圣塔那主义与相比业务风险管理系统.
