告别难懂的p值bayestestR p_direction如何计算方向概率及其与p值的对应关系【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还在对着p 0.05猜测它到底说了什么R 语言包bayestestR中的p_direction()函数提供了答案——它把贝叶斯后验分布转化为一个极易理解的指标方向概率Probability of Direction, pd并且能与经典 p 值直接换算。本文用大白话讲清楚pd 是怎么算出来的、它和 p 值如何一一对应帮你快速跨过贝叶斯统计的入门门槛。1. 什么是方向概率p_direction 在算什么p 值的真正含义往往令人困惑而bayestestR 方向概率的问法简单得多这个效应是正的还是负的我们有多大把握比如研究一种新药的效果p_direction()会回答有97.5%的概率该药物效果为正。这个百分比就是 pd 值它衡量的是效应存在性与方向的确定性取值通常是 50%100%。数学定义只有一个 max 运算$$p_d \max\big(\Pr(\hat{\theta} 0),\ \Pr(\hat{\theta} 0)\big)$$即取后验落在零点左侧与落在零点右侧中较大的那个概率。下面的图直观展示了这一思路——粉色区域负侧和黄色区域正侧中较大的一侧的面积占比就是方向概率2. p_direction 的两种计算方法p_direction()通过method参数支持两类算法核心实现位于 R/p_direction.R直接法method direct默认统计后验样本MCMC 抽样中大于零点与小于零点的比例取较大者。最直白、最不易出错官方精度测试中它在小样本下反而最可靠。密度估计法kernel、logspline、KernSmooth先拟合平滑的连续密度曲线由estimate_density()完成再计算曲线在零点某一侧的曲线下面积AUC。理论上更精细但结果依赖密度估计算法。一个值得注意的细节若后验代表离散参数空间例如 spike-and-slab 先验、贝叶斯模型平均只能使用直接法——因为这时后验可以整块落在零点上pd 可以低于 0.5甚至可以接近 0从而真正支持无效应的结论。3. 快速上手一行代码得到结果安装 bayestestR 后只需把后验样本向量或后验数据框交给函数即可library(bayestestR) # 模拟一个后验分布均值 1、标准差 1 的 1000 个抽样 posterior - rnorm(1000, mean 1, sd 1) # 默认的直接法计算方向概率 p_direction(posterior) # 也可改用密度估计法 p_direction(posterior, method kernel)输出类似Probability of Direction Parameter | pd ------------------ Posterior | 84.13%传入数据框时会逐列计算输出每个参数对应的 pd。函数还支持brms、rstanarm、MCMC等主流贝叶斯模型对象直接传入模型即可无需手动抽取后验。4. pd 与 p 值的换算公式一一对应这是新手最关心的部分——方向概率与经典 p 值几乎可以互换换算公式Makowski et al., 2019双侧 p 值单侧 p 值对应的方向概率 pd0.100.0595%0.050.02597.5%0.010.00599.5%0.0010.000599.95%双侧 p 值p 2 × (1 − p_d)单侧 p 值p 1 − p_d也就是说传统统计里让你反复纠结的p 0.05 阈值其实就是方向概率达到 97.5%——阈值本身是人为设定的而 pd 把这个事实表达得一目了然。bayestestR 提供pd_to_p()/p_to_pd()双向转换实现见 R/convert_pd_to_p.R也支持在计算时一步到位# 计算的同时直接输出 p 值 p_direction(posterior, as_p TRUE) # 手动双向转换 pd_to_p(pd 0.975) # 返回 0.05 p_to_pd(p 0.05) # 返回 0.9755. 三个容易踩的坑pd 高 ≠ 效应大。pd 只回答方向是否确定不回答效应值不值得关心。一个完全落在[0.0001, 0.0002]区间内的后验pd 可以高达 99.99%——方向确定但效应微乎其微。评估效应大小应搭配 ROPE实际等效区间等其他指标。pd ≈ 0.5 不能证明无效应。对连续参数空间pd 最低只能到 0.5这和大 p 值不能证明零假设是同一个道理只有离散参数空间下 pd 才能低于 0.5。别为纠结算法而失眠。官方对比研究显示四种方法结果高度相关直接法在小样本下表现最稳新手直接用默认值即可。顺带一提理解 pd 时经常会接触到后验的点估计MAP、中位数、均值它们与方向概率一起构成了完整的结果描述6. 常用方法对照清单方法参数原理适用场景direct默认统计样本中零点两侧的比例所有场景离散参数空间的唯一选择kernel核密度估计 曲线下面积连续参数、追求平滑估计logsplinelogspline 密度 AUC连续参数大样本表现良好KernSmoothR 内置核平滑 AUC连续参数无额外依赖 小贴士pd 独立于模型细节、不受变量量纲影响且与 p 值强相关——正是这个双重身份使它成为从频率派转向贝叶斯统计的完美桥梁。延伸阅读源码实现R/p_direction.R、R/convert_pd_to_p.R官方教程vignettes/probability_of_direction.Rmd帮助文档man/p_direction.Rd、man/pd_to_p.Rd单元测试含输出示例tests/testthat/test-p_direction.R参考文献Makowski, D., Ben-Shachar, M. S., Chen, S. H. A., Lüdecke, D. (2019).Indices of Effect Existence and Significance in the Bayesian Framework. Frontiers in Psychology, 10, 2767.【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考