Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
https://twitter.com/_inundata/status/616658949761302528
http://www.slideshare.net/matsukenbook
p11 p01
= p11 p01 =
n11
n11 + n10
n01
n01 + n00
RR =
p11
p01
=
n11
N1·
/
n01
N0·
=
n11N0·
n01N1·
0
RR < 1
RR = 1
1 < RR
OR =
p11/p10
p01/p00
=
(n11/N1·)/(n10/N1·)
(n01/N0·)/(n00/N0·)
=
(n11/N·1)/(n10/N·1)
(n01/N·0)/(n00/N0·0)
=
n11
p10
/
p01
...
n11 ⇠ Bin(p11, N1·)
n10 ⇠ Bin(p10, N1·)
n01 ⇠ Bin(p01, N0·)
n00 ⇠ Bin(p00, N0·)
model{	
  
	
  	
  	
  	
  for(i	
  in	
  ...
 	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  mean	
  se_mean	
  	
  	
  	
  	
  sd	
  	
  	
  2.5%	
  	
  	
  	
  25%	...
q =
1
1 ⇢2
"✓
x1 µ1
1
◆2
2⇢
✓
x1 µ1
1
◆ ✓
x2 µ2
2
◆
+
✓
x2 µ2
2
◆2
#
f(x1, x2|µ1, µ2, 2
1, 2
2) =
1
2⇡ 1 2
p
1 ⇢
e q/2
⇢A, ⇢B
(t)
⇢ =
(t)
⇢B ⇢A
= g(⇢
(t)
A , ⇢
(t)
B ) = ⇢
(t)
B ⇢
(t)
A
u
(t)
⇢>0 = g(⇢
(t)
A , ⇢
(t)
B )
(
1
(t)
⇢ > 0
0 other...
transformed	
  parameters{	
  
	
  	
  	
  	
  SigmaA[1,2]	
  <-­‐	
  sigmaA[1]*sigmaA[2]*rhoA;	
  
	
  	
  	
  	
  SigmaA...
 	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  mean	
  se_mean	
  	
  	
  	
  	
  sd	
  	
  	
  2.5%	
  	
  	
  ...
⇢11(= 1.00)
⇢22(= 1.00)
⇢33(= 1.00)
⇢21
⇢31 ⇢32
⇢2
= ⇢32 ⇢21
transformed	
  parameters{	
  
	
  	
  	
  	
  vector<lower=0>[3]	
  sig2;	
  
	
  	
  	
  	
  matrix[3,3]	
  Sigma;	
  
	...
 	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  mean	
  se_mean	
  	
  	
  	
  	
  sd	
  	
  	
  2.5%	
  	
  	
  	
  ...
(t)
⇢2
= g(⇢21 ⇢32) = ⇢
(t)
32 ⇢
(t)
21
u
(t)
⇢2 >0
(
1
(t)
⇢2 > 0
0 otherwise
 	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  mean	
  se_mean	
  	
  	
  	
  	
  sd	
  	
  	
  2.5%	
  	
  	
  	
  ...
x
y
x1 x2
y
Nx = 500
Nx1
= 378
Ny = 122
Ny
Y
i=1
p(x2i, yi|µx2
, µy, 2
x2
, 2
y, 2
x2y)
x2
y
for(i	
  in	
  1:Ny){	
  
	
  	
  	
  	
  y[i]	
  ~	
  multi_normal(m...
Ny
Y
i=1
p(x2i, yi|µx2
, µy, 2
x2
, 2
y, 2
x2y)
Ny
Y
i=1
p(x2i, yi|µx, µy, 2
x, 2
y, 2
xy)
Nx1Y
j=1
p(x1j|µx, 2
x)
x2
y
for(i	
  in	
  1:Ny){	
  
	
  	
  	
  	
  y[i]	
  ~	
  multi_normal(mu,	
  Sigma);	
  
}	
  
for(i	
  in	
  1:Nx){	
 ...
 	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  mean	
  se_mean	
  	
  	
  	
  	
  sd	
  	
  	
  2.5%	
  	
  	
  	
  ...
x
y
Nx = 500
Ny = 500
 	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  mean	
  se_mean	
  	
  	
  	
  	
  sd	
  	
  	
  2.5%	
  	
  	
  	
  ...
xij = µk + ↵ki + kj + ekij
i
j
k r m
↵ki = µki µk
xij = µr + ↵ri + rj + erij
↵ri = µri µk
erij ⇠ N(0, 2
er)
↵r ⇠ N(0, 2
↵r)
r ⇠ N(0, 2
r)
2
x = 2
↵r + 2
r + 2
er
xij ⇠ N(µr...
ICC(2, 1)
ICC(2, 1)(t)
= g( 2(t)
↵r ,
2(t)
r , 2(t)
er ) =
2(t)
↵r
2(t)
↵r +
2(t)
r +
2(t)
er
ICC(2, j)
ICC(2, j)(t)
= g( ...
model{	
  
	
  	
  	
  	
  mu	
  ~	
  normal(0,	
  1000);	
  
	
  	
  	
  	
  for(s	
  in	
  1:S){	
  
	
  	
  	
  	
  	
 ...
 	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  mean	
  se_mean	
  	
  	
  	
  	
  sd	
  	
  	
  2.5%	
  	
  	
  	
  ...
xij = µm + ↵mi + mj + emij
↵mi = µmi µm
emij ⇠ N(0, 2
em)
↵m ⇠ N(0, 2
↵m)
m ⇠ N(0, 2
m)
2
x = 2
↵m + 2
em
xij ⇠ N(µm + ↵mi...
ICC(2, j)
ICC(3, 1)
ICC(3, 1)(t)
= g( 2(t)
↵m , 2(t)
em ) =
2(t)
↵m
2(t)
↵m +
2(t)
em
ICC(3, j)(t)
= g( 2(t)
↵m , 2(t)
em ...
model{	
  
	
  	
  	
  	
  mu	
  ~	
  normal(0,	
  1000);	
  
	
  	
  	
  	
  for(s	
  in	
  1:S){	
  
	
  	
  	
  	
  	
 ...
 	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  mean	
  se_mean	
  	
  	
  	
  	
  sd	
  	
  	
  2.5%	
  	
  	
  	
  ...
ICC(3, J0
)(t)
= g( 2(t)
↵m , 2(t)
em ) =
2(t)
↵m
2(t)
↵m +
2(t)
em /J0
ICC(2, J0
)(t)
= g( 2(t)
↵r ,
2(t)
r , 2(t)
er ) =...
generated	
  quantities{	
  
	
  	
  	
  	
  ICC25	
  	
  <-­‐	
  sig2subject	
  /	
  (sig2subject	
  +	
  ((sig2rater	
  ...
 	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  mean	
  se_mean	
  	
  	
  	
  	
  sd	
  	
  	
  2.5%	
  	
  	
  	
  ...
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
基礎からのベイズ統計学 輪読会資料  第8章 「比率・相関・信頼性」
Nächste SlideShare
Wird geladen in …5
×

基礎からのベイズ統計学 輪読会資料 第8章 「比率・相関・信頼性」

2.584 Aufrufe

Veröffentlicht am

基礎からのベイズ統計学 輪読会資料 第8章
「比率・相関・信頼性」
2016/5/16 @kenmatsu4

Veröffentlicht in: Daten & Analysen
  • Als Erste(r) kommentieren

基礎からのベイズ統計学 輪読会資料 第8章 「比率・相関・信頼性」

  1. 1. https://twitter.com/_inundata/status/616658949761302528
  2. 2. http://www.slideshare.net/matsukenbook
  3. 3. p11 p01 = p11 p01 = n11 n11 + n10 n01 n01 + n00
  4. 4. RR = p11 p01 = n11 N1· / n01 N0· = n11N0· n01N1· 0 RR < 1 RR = 1 1 < RR
  5. 5. OR = p11/p10 p01/p00 = (n11/N1·)/(n10/N1·) (n01/N0·)/(n00/N0·) = (n11/N·1)/(n10/N·1) (n01/N·0)/(n00/N0·0) = n11 p10 / p01 p00 OR < 1 OR = 1 1 < OR
  6. 6. n11 ⇠ Bin(p11, N1·) n10 ⇠ Bin(p10, N1·) n01 ⇠ Bin(p01, N0·) n00 ⇠ Bin(p00, N0·) model{          for(i  in  1:2){                  for(j  in  1:2){                          n[i,j]  ~  binomial(N[j],  p[j][i]);                  }          }   }
  7. 7.                          mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   p[0,0]              0.58    5.0e-­‐4      0.02      0.53      0.56      0.58      0.59      0.63      2429        1.0   p[1,0]              0.42    4.9e-­‐4      0.03      0.37      0.41      0.42      0.44      0.47      2557        1.0   p[0,1]              0.42    5.0e-­‐4      0.02      0.37      0.41      0.42      0.44      0.47      2429        1.0   p[1,1]              0.58    4.9e-­‐4      0.03      0.53      0.56      0.58      0.59      0.63      2557        1.0   d                        0.15    7.0e-­‐4      0.04      0.08      0.13      0.15      0.18      0.22      2513        1.0   delta_over        1.0          0.0        0.0        1.0        1.0        1.0        1.0        1.0    10000        nan   p11                    0.58    5.0e-­‐4      0.02      0.53      0.56      0.58      0.59      0.63      2429        1.0   p10                    0.42    5.0e-­‐4      0.02      0.37      0.41      0.42      0.44      0.47      2429        1.0   p01                    0.42    4.9e-­‐4      0.03      0.37      0.41      0.42      0.44      0.47      2557        1.0   p00                    0.58    4.9e-­‐4      0.03      0.53      0.56      0.58      0.59      0.63      2557        1.0   RR                      1.37    2.0e-­‐3        0.1      1.19        1.3      1.37      1.43      1.58      2510        1.0   OR                      1.89    5.6e-­‐3      0.28      1.41      1.69      1.86      2.06      2.49      2466        1.0   lp__              -­‐548.7        0.03      1.05  -­‐551.6  -­‐549.0  -­‐548.3  -­‐547.9  -­‐547.7      1586        1.0
  8. 8. q = 1 1 ⇢2 "✓ x1 µ1 1 ◆2 2⇢ ✓ x1 µ1 1 ◆ ✓ x2 µ2 2 ◆ + ✓ x2 µ2 2 ◆2 # f(x1, x2|µ1, µ2, 2 1, 2 2) = 1 2⇡ 1 2 p 1 ⇢ e q/2
  9. 9. ⇢A, ⇢B (t) ⇢ = (t) ⇢B ⇢A = g(⇢ (t) A , ⇢ (t) B ) = ⇢ (t) B ⇢ (t) A u (t) ⇢>0 = g(⇢ (t) A , ⇢ (t) B ) ( 1 (t) ⇢ > 0 0 otherwise
  10. 10. transformed  parameters{          SigmaA[1,2]  <-­‐  sigmaA[1]*sigmaA[2]*rhoA;          SigmaA[2,1]  <-­‐  sigmaA[1]*sigmaA[2]*rhoA;          SigmaB[1,2]  <-­‐  sigmaB[1]*sigmaB[2]*rhoB;          SigmaB[2,1]  <-­‐  sigmaB[1]*sigmaB[2]*rhoB;   }   model{          for(i  in  1:N){                  xA[i]  ~  multi_normal(muA,  SigmaA);                  xB[i]  ~  multi_normal(muB,  SigmaB);          }   }   generated  quantities{          real  delta_r;          real  delta_r_over;          delta_r  <-­‐  rhoB  -­‐  rhoA;          delta_r_over  <-­‐  step(delta_r);   }
  11. 11.                              mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   rhoA                      0.63    8.1e-­‐4      0.04      0.54        0.6      0.63      0.66      0.71      2876        1.0   rhoB                      0.72    6.7e-­‐4      0.03      0.65        0.7      0.73      0.75      0.79      2626        1.0   delta_r                  0.1    1.0e-­‐3      0.06-­‐9.0e-­‐3      0.06        0.1      0.14      0.21      2790        1.0   delta_r_over      0.96    3.6e-­‐3      0.19        0.0        1.0        1.0        1.0        1.0      2814        1.0  
  12. 12. ⇢11(= 1.00) ⇢22(= 1.00) ⇢33(= 1.00) ⇢21 ⇢31 ⇢32
  13. 13. ⇢2 = ⇢32 ⇢21
  14. 14. transformed  parameters{          vector<lower=0>[3]  sig2;          matrix[3,3]  Sigma;          for(i  in  1:3){                  sig2[i]  <-­‐  pow(sigma[i],2);          }          Sigma  <-­‐  diag_matrix(sigma)  *  rho  *  diag_matrix(sigma);   }   model{          for(i  in  1:N){                  x[i]  ~  multi_normal(mu,Sigma);          }   }   generated  quantities{                  rho_21  <-­‐  rho[2,1];          rho_31  <-­‐  rho[3,1];          rho_32  <-­‐  rho[3,2];          delta_r2  <-­‐  rho[3,2]  -­‐  rho[2,1];          delta_r2_over  <-­‐  step(delta_r2);   }
  15. 15.                            mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   rho_21                0.45    1.3e-­‐3      0.06      0.33      0.41      0.45      0.49      0.57      2358        1.0   rho_31                0.62    9.7e-­‐4      0.05      0.52      0.59      0.62      0.65        0.7      2406        1.0   rho_32                0.75    6.8e-­‐4      0.03      0.67      0.73      0.75      0.77      0.81      2552        1.0
  16. 16. (t) ⇢2 = g(⇢21 ⇢32) = ⇢ (t) 32 ⇢ (t) 21 u (t) ⇢2 >0 ( 1 (t) ⇢2 > 0 0 otherwise
  17. 17.                            mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   delta_r2              0.3    1.1e-­‐3      0.05      0.19      0.26      0.29      0.33      0.41      2562        1.0   delta_r2_over    1.0          0.0        0.0        1.0        1.0        1.0        1.0        1.0    10000        nan
  18. 18. x y x1 x2 y Nx = 500 Nx1 = 378 Ny = 122
  19. 19. Ny Y i=1 p(x2i, yi|µx2 , µy, 2 x2 , 2 y, 2 x2y) x2 y for(i  in  1:Ny){          y[i]  ~  multi_normal(mu2,  S2);   }
  20. 20. Ny Y i=1 p(x2i, yi|µx2 , µy, 2 x2 , 2 y, 2 x2y) Ny Y i=1 p(x2i, yi|µx, µy, 2 x, 2 y, 2 xy) Nx1Y j=1 p(x1j|µx, 2 x)
  21. 21. x2 y for(i  in  1:Ny){          y[i]  ~  multi_normal(mu,  Sigma);   }   for(i  in  1:Nx){          x[i]  ~  normal(mu[1],  sqrt(sigma[1]));   } x Ny Y i=1 p(x2i, yi|µx, µy, 2 x, 2 y, 2 xy) Nx1Y j=1 p(x1j|µx, 2 x)
  22. 22.                            mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   rho_truncated  0.6      1.1e-­‐3      0.06      0.47      0.56        0.6      0.64      0.7      2824        1.0   rho_corrected  0.81    8.8e-­‐4      0.04      0.71      0.79      0.82      0.84      0.88    2182        1.0 2 xy
  23. 23. x y Nx = 500 Ny = 500
  24. 24.                            mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   rho_truncated  0.6      1.1e-­‐3      0.06      0.47      0.56        0.6      0.64      0.7      2824        1.0   rho_corrected  0.81    8.8e-­‐4      0.04      0.71      0.79      0.82      0.84      0.88    2182        1.0   rho_complete    0.83    2.9e-­‐4      0.01        0.8      0.82      0.83      0.84      0.86    2324        1.0
  25. 25. xij = µk + ↵ki + kj + ekij i j k r m ↵ki = µki µk
  26. 26. xij = µr + ↵ri + rj + erij ↵ri = µri µk erij ⇠ N(0, 2 er) ↵r ⇠ N(0, 2 ↵r) r ⇠ N(0, 2 r) 2 x = 2 ↵r + 2 r + 2 er xij ⇠ N(µr + ↵ri + rj, 2 x)
  27. 27. ICC(2, 1) ICC(2, 1)(t) = g( 2(t) ↵r , 2(t) r , 2(t) er ) = 2(t) ↵r 2(t) ↵r + 2(t) r + 2(t) er ICC(2, j) ICC(2, j)(t) = g( 2(t) ↵r , 2(t) r , 2(t) er ) = 2(t) ↵r 2(t) ↵r + ( 2(t) r + 2(t) er )/j
  28. 28. model{          mu  ~  normal(0,  1000);          for(s  in  1:S){                  alpha[s]  ~  normal(0,  tauSubject);          }          for(r  in  1:R){                  beta[r]  ~  normal(0,  tauRater);          }          for(s  in  1:S)  {                  for(r  in  1:R)  {                          nu  <-­‐  mu  +  alpha[s]  +  beta[r];                          Score[s,r]  ~  normal(nu,  tauWithin);                  }          }   }   generated  quantities{          ICC21  <-­‐  sig2subject  /  (sig2subject  +  sig2rater  +  sig2within);          ICC24  <-­‐  sig2subject  /  (sig2subject  +  ((sig2rater  +  sig2within)/4));   }
  29. 29.                            mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   sig2subject        8.8        0.06      4.47      3.44        5.9        7.8    10.48    20.28      6130        1.0   sig2rater          4.29        2.33    61.98  1.7e-­‐3      0.03      0.16      0.58    12.73        705        1.0   sig2within        3.65        0.03      0.84      2.37      3.03      3.52      4.12      5.57        683        1.0   ICC21                  0.64    4.9e-­‐3      0.14      0.28      0.57      0.66      0.74      0.85        834        1.0   ICC24                  0.86    5.0e-­‐3      0.11      0.61      0.84      0.89      0.92      0.96        446        1.0
  30. 30. xij = µm + ↵mi + mj + emij ↵mi = µmi µm emij ⇠ N(0, 2 em) ↵m ⇠ N(0, 2 ↵m) m ⇠ N(0, 2 m) 2 x = 2 ↵m + 2 em xij ⇠ N(µm + ↵mi + mj, 2 x)
  31. 31. ICC(2, j) ICC(3, 1) ICC(3, 1)(t) = g( 2(t) ↵m , 2(t) em ) = 2(t) ↵m 2(t) ↵m + 2(t) em ICC(3, j)(t) = g( 2(t) ↵m , 2(t) em ) = 2(t) ↵m 2(t) ↵m + 2(t) em /j
  32. 32. model{          mu  ~  normal(0,  1000);          for(s  in  1:S){                  alpha[s]  ~  normal(0,  tauSubject);          }          for(s  in  1:S)  {                  for(r  in  1:R)  {                          nu  <-­‐  mu  +  alpha[s]  +  beta[r];                          Score[s,r]  ~  normal(nu,  tauWithin);                  }          }   }   generated  quantities{          ICC31  <-­‐  sig2subject  /  (sig2subject  +  sig2within);            ICC34  <-­‐  sig2subject  /  (sig2subject  +  (sig2within/R));   }
  33. 33.                            mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   sig2subject      8.82        0.05      4.48      3.39        5.8      7.79    10.67    20.29      9199        1.0   sig2within        3.76    9.6e-­‐3      0.89      2.41      3.13      3.63      4.25      5.89      8580        1.0   ICC31                  0.67    1.1e-­‐3      0.11      0.44        0.6      0.68      0.75      0.86      9291        1.0   ICC34                  0.89    5.5e-­‐4      0.05      0.76      0.86        0.9      0.92      0.96      9239        1.0
  34. 34. ICC(3, J0 )(t) = g( 2(t) ↵m , 2(t) em ) = 2(t) ↵m 2(t) ↵m + 2(t) em /J0 ICC(2, J0 )(t) = g( 2(t) ↵r , 2(t) r , 2(t) er ) = 2(t) ↵r 2(t) ↵r + ( 2(t) r + 2(t) er )/J0 u (t) ICC(2,J0) = g( 2(t) ↵r , 2(t) r , 2(t) er ) = ( 1 ICC(2, J0 )(t) > 0.9 0 otherwise u (t) ICC(3,J0) = g( 2(t) ↵, , 2(t) em ) = ( 1 ICC(3, J0 )(t) > 0.9 0 otherwise
  35. 35. generated  quantities{          ICC25    <-­‐  sig2subject  /  (sig2subject  +  ((sig2rater  +  sig2within)/5));          ICC26    <-­‐  sig2subject  /  (sig2subject  +  ((sig2rater  +  sig2within)/6));          nine6  <-­‐  step(rho6  -­‐  0.9);   } generated  quantities{          ICC34  <-­‐  sig2subject  /  (sig2subject  +  (sig2within/R));          ICC35  <-­‐  sig2subject  /  (sig2subject  +  (sig2within/5));          nine  <-­‐  step(ICC35  -­‐  0.9);   }
  36. 36.                            mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   ICC25                  0.89    4.8e-­‐3        0.1      0.66      0.87      0.91      0.93      0.97        411        1.0   ICC26                  0.9      4.7e-­‐3      0.09        0.7      0.89      0.92      0.94      0.97        388        1.0   nine6                  0.69        0.01      0.46        0.0        0.0        1.0        1.0        1.0      1375        1.0                            mean  se_mean          sd      2.5%        25%        50%        75%    97.5%    n_eff      Rhat   ICC34                  0.89    5.5e-­‐4      0.05      0.76      0.86        0.9      0.92      0.96      9239        1.0   ICC35                    0.91    4.7e-­‐4      0.05        0.8      0.88      0.92      0.94      0.97      9231        1.0   nine                    0.64    4.8e-­‐3      0.48        0.0        0.0        1.0        1.0        1.0      9981        1.0

×