Tôi đã sử dụng nhiều lần cắt bỏ để có được một số bộ dữ liệu hoàn thành.
Tôi đã sử dụng các phương thức Bayes trên mỗi bộ dữ liệu đã hoàn thành để có được các bản phân phối sau cho một tham số (một hiệu ứng ngẫu nhiên).
Làm cách nào tôi có thể kết hợp / gộp kết quả cho tham số này?
Thêm ngữ cảnh:
Mô hình của tôi được phân cấp theo nghĩa của từng học sinh (một quan sát trên mỗi học sinh) được nhóm lại trong các trường học. Tôi đã thực hiện nhiều lần cắt ngang (sử dụng MICE
trong R) trên dữ liệu của mình, nơi tôi đưa vào school
làm một trong những yếu tố dự báo cho dữ liệu bị thiếu - để cố gắng kết hợp hệ thống phân cấp dữ liệu vào các lần cắt.
Tôi đã trang bị một mô hình độ dốc ngẫu nhiên đơn giản cho mỗi bộ dữ liệu đã hoàn thành (sử dụng MCMCglmm
trong R). Kết quả là nhị phân.
Tôi đã thấy rằng mật độ sau của phương sai độ dốc ngẫu nhiên là "cư xử tốt" theo nghĩa là chúng trông giống như thế này:
Làm cách nào tôi có thể kết hợp / gộp các phương tiện sau và khoảng tin cậy từ mỗi tập dữ liệu được liệt kê, cho hiệu ứng ngẫu nhiên này?
Cập nhật1 :
Từ những gì tôi hiểu cho đến nay, tôi có thể áp dụng các quy tắc của Rubin cho nghĩa sau, để đưa ra ý nghĩa sau được nhân lên gấp bội - có bất kỳ vấn đề nào khi thực hiện điều này không? Nhưng tôi không biết làm thế nào tôi có thể kết hợp khoảng tin cậy 95%. Ngoài ra, vì tôi có một mẫu mật độ sau thực tế cho mỗi lần cắt cụt - bằng cách nào đó tôi có thể kết hợp chúng không?
Cập nhật2 :
Theo đề xuất của @ @ cyan trong các bình luận, tôi rất thích ý tưởng đơn giản là kết hợp các mẫu từ các bản phân phối sau thu được từ mỗi bộ dữ liệu hoàn chỉnh từ nhiều lần cắt bỏ. Tuy nhiên, tôi muốn biết lý do biện minh cho việc làm này.