我正在尝试使用 pymc3 和 bambi 软件进行贝叶斯分析。
我的数据形状是 136x5，前 5 行如下：
AGE GENDER AVAR BVAR OUTVAR
0 60 F 0.9 0 8260.0
1 56 F 5.4 1 15888.0
2 55 F 1.2 1 19734.4
3 52 F 1.7 1 15904.2
4 49 F 1.6 0 14848.0
其中 OUTVAR 是目标变量，其他变量是预测变量。
我使用了以下 Python3 代码：
from bambi import Model
model = Model(bdf)
results = model.fit('OUTVAR ~ AGE + GENDER + AVAR + BVAR', samples=5000, chains=2)
print(results[1000:].summary())
并得到以下输出：
Auto-assigning NUTS sampler...
Initializing NUTS using advi...
Average Loss = 1,476.2: 21%|██████████████▊ | 10601/50000 [00:01<00:07, 5542.87it/s]
Convergence achieved at 10700
Interrupted at 10,699 [21%]: Average Loss = 1,520.6
Multiprocess sampling (2 chains in 2 jobs)
NUTS: [OUTVAR_sd, BVAR, AVAR, AGE, GENDER, Intercept]
Sampling 2 chains: 100%|██████████████████████████████████████████████████████████████████████████| 11000/11000 [11:40<00:00, 15.71draws/s]
There were 154 divergences after tuning. Increase `target_accept` or reparameterize.
The chain reached the maximum tree depth. Increase max_treedepth, increase target_accept or reparameterize.
There were 241 divergences after tuning. Increase `target_accept` or reparameterize.
The chain reached the maximum tree depth. Increase max_treedepth, increase target_accept or reparameterize.
The number of effective samples is smaller than 10% for some parameters.
mean sd hpd0.95_lower hpd0.95_upper effective_n gelman_rubin
AGE 6.936836 81.741918 -158.176468 165.050530 589 1.005245
AVAR -78.356403 410.942267 -896.068374 718.650196 2414 1.000314
BVAR 2639.993063 2262.101985 -1528.841953 7297.760056 553 1.000544
GENDER[T.M] -615.092080 1659.905226 -3855.789966 2756.704710 1392 1.003126
Intercept 11739.843222 3591.680335 5239.872556 19053.145349 179 1.007447
OUTVAR_sd 8936.351700 283.640474 8402.347757 9318.495791 6027 1.000028
我该如何分析，我可以从这个值表中做出什么推论？
编辑：具体来说，我想确认mean是否指示每个变量的系数值。但是，在通常的线性回归中，结果变量没有系数，而此处列出了该系数。另外，我不清楚每个变量effective_n值的含义是什么。感谢您的帮助。
在这种情况下，mean是后验分布的平均值。对于像这样的简单情况，后验均值通常接近从传统最小二乘回归中获得的点估计值。
OUTVAR_sd行不是用于结果变量;它表示模型误差。将真实OUTVAR分数视为模型预测OUTVAR加上正态分布误差的总和。然后OUTVAR_sd是该误差项的后验估计值。
effective_n 是对每个变量的链中独立样本数的启发式估计。这几乎总是小于标称数字，因为连续的样本是相关的。有关简要说明，请参阅此博客文章。