R-brms

“长期记忆对工作记忆的影响：主动促进和干扰的年龄差异”的数据，代码和材料 在此处预打印： : 数据/代码 data/包含来自pavlovia的所有原始数据文件，以及用于不同干扰和间隔条件的单独文件夹。 每个子文件夹都有一个R脚本（ read-...R ），该脚本将特定条件下的数据集combine-datasets.R ，而combine-datasets.R脚本将所有内容组合在一起。 所有合并的数据集已经包含在存储库中，因此不需要运行这些脚本（除了检查我们读取数据的方式之外）。 analy

斯克莱恩-GLMM scikit-learn包装器，用于R中的广义线性混合模型方法 这是一个轻量级的包装器，可以通过R通过python拟合广义线性多元多级模型。它可以通过brms调用轻松使贝叶斯模型拟合： : 它具有足够的灵活性以扩展到其他基于R的模型，并被设计为与scikit-learn语法尽可能兼容。 它是针对rpy2 == 2.8.6专门构建的，以同时启用python2和3支持。 安装： pip install git + https : // github . com /

其他（大部分）R代码 注意：此REPO中的许多模型和算法已更新，现在存在于。 /ModelFitting大多数代码（ /ModelFitting的大部分文件）已升级，因此即使这些文件最近才被修改，也请参考文档而不是这些文件。 尽管我最初开始更新这些内容，但是所有后续工作都进入了文档，因此现在应该成为您的参考。 但是，该文档中仅包含少量贝叶斯演示，因为此时Stan代码已经过时了，现在演示的大多数功能都存在于rstanarm / brms中，其功能允许检查模型代码。 。 我仍然可能会转移一些对文档

多级（分层或混合效果）模型简介 在为期两天的课程中，我们将对多层模型（也称为分层或混合效应模型）进行全面的实践和理论介绍。 我们将主要关注多级线性模型，但还将涵盖多级广义线性模型。 同样，我们还将描述贝叶斯多层次建模方法。 在第1天，我们将从关注随机效果多级模型开始。 这些模型清楚地说明了多级模型实际上是模型的模型。 此外，随机效应模型为理解混合效应（即固定效应和随机效应）模型奠定了坚实的基础。 在对随机效应的介绍中，我们还将涵盖效应估计中统计缩减的重要概念以及类内相关性。 然后，我们将介绍线性