企业官网建设流程全解析

Savage-Dickey、桥接还是BIC近似？bayestestR四种贝叶斯因子计算方法深度解析

【免费下载链接】bayestestR:ghost: Utilities for analyzing Bayesian models and posterior distributions项目地址: https://gitcode.com/gh_mirrors/ba/bayestestR

在贝叶斯统计中，贝叶斯因子（Bayes Factor）是量化"数据支持哪个假设"的核心指标。R 语言开源包bayestestR是分析贝叶斯模型与后验分布的常用工具，它把四类主流贝叶斯因子计算方法整合进统一的bayesfactor()函数：Savage-Dickey 密度比、ROPE 区间法、桥接采样（Bridge Sampling）与 BIC 近似。本文将用通俗的语言带你逐一拆解这四种方法的原理、适用场景与源码位置，帮你做出正确的选型。


什么是贝叶斯因子？一分钟搞懂

按贝叶斯定理，观察数据后，两个假设的后验概率之比 = 似然比 × 先验概率之比。中间的"似然比"就是贝叶斯因子（BF）：

BF = 数据在假设1下出现的可能性 ÷ 数据在假设0下出现的可能性

• BF > 1：数据更支持假设1（备择假设）
• BF < 1：数据更支持假设0（零假设）
• BF = 1：数据对两个假设"无偏向"

bayestestR 的入口函数 bayesfactor() 会根据你的输入自动分派到四种计算方法——这正是它"智能"的地方：

# 输入向量 → Savage-Dickey；输入多个模型 → 模型比较 bayesfactor(posterior, prior = prior) # 单参数 bayesfactor(model1, model2, model3) # 模型比较

方法一：Savage-Dickey 密度比 —— 单参数点零假设检验

适用问题："某个参数是否显著不为 0？"

这是最常用的贝叶斯因子计算方式。原理非常直观：

1. 在零假设值（默认null = 0）处，读取先验密度的高度
2. 在同一位置，读取后验密度的高度
3. 两者相除，就得到贝叶斯因子

如果数据让后验分布"避开"了零值，零值处的后验密度就会低于先验密度，BF 就会大于 1，说明数据支持"参数不为 0"。

💡 通俗理解：就像比较"赌局开始前"和"开奖后"，零值这个位置被压中的概率变化了多少倍。

该方法的实现位于 bayesfactor_parameters()，依赖logspline包对 MCMC 样本做密度估计。它还支持单侧检验（direction = "left"/"right"）和分裂假设，方便你做有方向性的预测。

方法二：ROPE 区间法 —— 检验"效应是否小到可忽略"

适用问题："这个效应是否在实践可忽略的范围内？"

当零假设是一个区间而非单点时（比如"相关系数在 -0.1 到 0.1 之间即视为无效应"），Savage-Dickey 不再适用。此时 bayestestR 采用Morey & Rouder（2011）的区间零假设方法：

比较参数落在 ROPE 区间内外的先验概率比值与后验概率比值，其变化量即为贝叶斯因子。

配合 rope_range() 可以为常见效应量自动设定默认 ROPE 范围，例如：

bayesfactor_rope(model) # 自动使用建议的 ROPE 范围做贝叶斯因子检验

这种方法与p_rope()、rope()函数家族一脉相承，是"效应存在性"分析（Existence 而非 Significance）的核心工具。

方法三：桥接采样 —— brms / rstanarm 模型的精确比较

适用问题："模型 A 和模型 B，哪个更好地解释了我的数据？"

当你用brms或rstanarm拟合了两个（或多个）贝叶斯模型，最严谨的比较方式是计算各自的边缘似然（marginal likelihood），再取比值。直接积分高维参数空间是困难的，bridgesampling包用"桥接采样"技术巧妙地绕过了这个计算瓶颈。

bayestestR 在 bayesfactor_models() 中检测到brmsfit/stanreg对象时会自动走这条路径。使用前有两个注意事项：

⚠️ 另外，BF 估计对样本量敏感，建议比常规后验推断多抽10 倍的 MCMC 迭代（官方手册页 bayesfactor_models.Rd 有完整示例）。

方法四：BIC 近似 —— 频率派模型的快速贝叶斯化

适用问题："我没有拟合贝叶斯模型，只有 lm / lmer 等频率派模型，也能比较吗？"

可以。利用BIC（贝叶斯信息准则）近似：

BF₁₀ ≈ exp((BIC₀ − BIC₁) / 2)

两个模型 BIC 每相差 10，BF 就相差约 100 倍——这个近似在大样本下相当可靠。转换逻辑就封装在 10 行代码的 bic_to_bf() 中。

bayestestR 对"其他所有类型"的模型（如lm、lmerMod）默认都走 BIC 近似路径，因此你可以直接把lm()拟合对象塞进bayesfactor_models()，零门槛完成模型比较：

bayesfactor_models(lm(mpg ~ 1, data = mtcars), lm(mpg ~ hp, data = mtcars), denominator = 1) # 以第一个模型为参照

不过请留意：BIC 近似无法表达"参数先验分布形状"的差异，它假设参数要么被限制为 0、要么不被限制。想要精细的先验建模，还是应回到方法三。

进阶：纳入贝叶斯因子（Inclusion BF）—— 跨模型平均证据

适用问题："在所有候选模型中，变量 X 总体上该不该被纳入？"

bayesfactor_inclusion() 回答的问题更宏观："包含预测变量 X 的一组模型，平均而言比不包含 X 的一组模型，更能产生观测数据吗？"

它基于模型后验概率，比较先验纳入概率与后验纳入概率的比值变化，相当于对一族模型做贝叶斯模型平均（BMA）后的"变量重要性检验"。设置match_models = TRUE可以只在结构可比的模型间做对比（排除高阶交互干扰），这与 JASP 中 Bayesian ANOVA 的 "Effects" 输出逻辑一致。

新手选型指南：一张表选对方法

🎯新手建议：直接把结果交给 bayesfactor() 自动分派，它会按输入类型选择合适方法，无需手动判断。

延伸阅读与验证

• 概念推导与完整案例：bayes_factors.Rmd（官方贝叶斯因子手册，含先验设定、传递性、模型平均等内容）
• 单元测试可验证各方法输出：test-bayesfactor_models.R、test-bayesfactor_parameters.R
• BF 的数值解释等级（"强证据""中等证据"）由effectsize::interpret_bf()提供

小结：bayestestR 用"一个入口、四种引擎"的设计，让新手无需纠结数学细节，也能在点零假设检验、ROPE 检验、精确模型比较与快速近似比较之间游刃有余。理解了每种方法的适用边界，你的贝叶斯分析就会又快又稳。

【免费下载链接】bayestestR:ghost: Utilities for analyzing Bayesian models and posterior distributions项目地址: https://gitcode.com/gh_mirrors/ba/bayestestR