判定贝叶斯线性回归回归系数是否显著的标准
在贝叶斯回归中，判断回归系数是否显著通常是通过可信区间（credible interval）来进行的。下面是具体的标准和方法：
判断回归系数是否显著的标准：
-
可信区间 (Credible Interval) 不包含零：
- 标准：如果回归系数的 95% 可信区间不包含零，那么我们认为这个回归系数在统计上显著。这意味着回归系数的真实值（根据贝叶斯推断）有 95% 的概率落在该区间内，且该系数的影响在零附近是不存在的，暗示该自变量对因变量有显著影响。
- 原因：如果可信区间包含零，表示有较大概率存在回归系数为零的情况，即自变量对因变量的影响可能是零，不能确定该变量对结果有统计上的显著影响。
-
后验均值与零的比较：
- 标准：如果回归系数的后验均值离零较远，并且该系数的可信区间没有覆盖零，那么可以认为这个回归系数是显著的。这意味着该自变量的影响在统计上不会是零。
- 原因：回归系数的后验均值代表我们在给定数据和先验的条件下对回归系数的估计值。一个显著的回归系数通常会有一个较远的后验均值，且与零显著不同。
举个例子：
假设我们看到以下回归结果：
| Variable | Posterior Mean | CI_Lower | CI_Upper |
|---|---|---|---|
| TimeDAS42 | -0.0426 | -0.1237 | 0.0367 |
- 该回归系数的 后验均值 为 -0.0426。
- 95% 可信区间：[-0.1237, 0.0367]，该区间包含了零。
由于该系数的 95% 可信区间包括了零，说明我们不能排除该系数为零的可能性（即在 DAS42 时，时间对 Shannon 多样性指数的影响可能为零），因此该系数在统计上不显著。
其他方法：
虽然在贝叶斯回归中，可信区间通常是判断显著性最常见的方法，但还有其他一些标准可以辅助判断显著性：
-
P值（尽管在贝叶斯回归中不常使用）：
- 在传统的频率主义统计学方法中，通常通过 p 值判断显著性：如果 p 值小于某个阈值（如 0.05），则认为回归系数显著。
- 在贝叶斯分析中，贝叶斯因子（Bayes Factor）有时可以用来替代 p 值，来比较模型之间的相对证据。
-
后验概率：
- 贝叶斯回归中，也可以使用后验概率来判断回归系数的显著性。例如，我们可以计算回归系数为正或负的后验概率，如果这种概率非常高（例如大于 95%），则认为回归系数显著。
- 例如，如果某个回归系数的后验分布大部分位于正值区间，则说明该系数对于预测目标有显著正向影响。
总结：
在贝叶斯回归中，最常用的显著性判断标准是 回归系数的 95% 可信区间不包含零。这意味着该系数对于因变量的影响具有统计上的显著性，并且该影响值在零附近的可能性较小。
