El complemento MCMC Diagnostics calcula los diagnósticos de convergencia, así como los intervalos creíbles de HPD y de igual cola para un conjunto de datos que contiene muestras posteriores de una o más cadenas de Markov paralelas. Se incluyen dos calculadoras de probabilidad posteriores. Este complemento no realiza MCMC pero permite un análisis y una revisión sencillos de las muestras posteriores.
El cuadro de diálogo a continuación muestra un ejemplo de 60,000 muestras de MCMC para 3 cadenas de Markov ejecutadas de forma independiente desde un modelo jerárquico bayesiano de 40 eventos adversos de Mehrotra y Heyse (2004). Se proporcionan las cadenas de Markov independientes para que se calculen los diagnósticos de Gelman-Rubin.
La siguiente figura muestra la Diagnósticos Panel donde se resume cada parámetro utilizando varios gráficos y análisis. Estos análisis incluyen
- Histograma con curva de densidad no paramétrica y estadísticas de resumen para la cadena 1
- Diagrama de traza de muestras de MCMC para la cadena 1
- Diagramas y pruebas para evaluar la autocorrelación de muestras a lo largo del tiempo para la cadena 1
- Si se proporcionan múltiples cadenas, se proporciona un gráfico de seguimiento de todas las cadenas para evaluar la convergencia junto con los diagnósticos de Gelman-Rubin
Las parcelas forestales que contienen intervalos creíbles de igual densidad y densidad posterior más alta (HPD) se proporcionan para la cadena 1.
Se proporciona una calculadora de probabilidad univariada para calcular la probabilidad de que cada parámetro esté dentro del rango proporcionado. Aquí, calculo la probabilidad de que el parámetro sea positivo, lo que indicaría que existe un riesgo excesivo en el tratamiento nuevo.
La calculadora de probabilidad multivariable le permite calcular cuándo los conjuntos de parámetros cumplen los criterios conjuntamente. Aquí, calculo la probabilidad de que los primeros cinco parámetros sean simultáneamente positivos. Esto puede interpretarse como la probabilidad de que los primeros cinco eventos adversos muestren un riesgo excesivo simultáneamente.
Ir support.sas.com/resources/papers/proceedings13/179-2013.pdf para más detalles.
Mehrotra DV y Heyse JF. (2004). Uso de la tasa de descubrimiento falso para evaluar datos de seguridad clínica. Métodos estadísticos en la investigación médica 13: 227-238.
