Залишкова діагностика в регресійних моделях на основі МСМС

Нещодавно я взявся за пристосування регресійних змішаних моделей у байєсівській основі, використовуючи алгоритм MCMC (фактично функція MCMCglmm в R).

Я вважаю, що я зрозумів, як діагностувати конвергенцію процесу оцінки (слід, графік гевеке, автокореляція, задній розподіл ...).

Одне з того, що мене вражає в байєсівських рамках, - це те, що, здається, приділяється багато зусиль для проведення цієї діагностики, тоді як, здається, робиться дуже мало з точки зору перевірки залишків відповідної моделі. Наприклад, у MCMCglmm функція ostaual.mcmc () існує, але насправді ще не реалізована (тобто .returns: "залишки ще не реалізовані для об'єктів MCMCglmm"; та сама історія для predict.mcmc ()). Здається, його не вистачає і в інших пакунках, і, як правило, мало обговорюється в літературі, яку я знайшов (окрім DIC, про який також досить сильно обговорюється).

Чи міг би хтось вказати на якісь корисні посилання, і в ідеалі R-код, з яким я міг би грати чи змінювати?

Велике дякую.

Я думаю, що використання терміна залишковий не відповідає байєсівській регресії. Пам'ятайте, що у частолістських імовірнісних моделях параметри вважаються фіксованими оцінними величинами, а механізм генерування даних має деяку випадкову модель ймовірності, пов'язану із спостережуваними даними. Для байєсів параметри моделей ймовірності вважаються змінними, а фіксовані дані оновлюють нашу думку про те, що це за параметри. Тому, якщо ви обчислювали дисперсію спостережуваних мінус пристосованих значень у регресійній моделі, спостережуванеКомпонент матиме 0 дисперсію, тоді як пристосований компонент буде змінюватися залежно від задньої щільності ймовірності для параметрів моделі. Це протилежне тому, що ви випливали б із частістської регресійної моделі. Я думаю, якби хтось зацікавився у перевірці ймовірнісних припущень їхньої байєсівської регресійної моделі, простий QQplot задньої щільності оцінок параметрів (оцінюється з нашої вибірки MCMC) проти нормального розподілу мав би діагностичну потужність, аналогічну аналізу залишків (або залишків Пірсона для нелінійних функцій зв'язку).