使用 R 包 slgf 进行具有潜在基于组效应与方差的贝叶斯模型选择

线性建模无处不在，但当模型设定错误时，其性能可能会受到影响。我们最近证明了，分类预测变量水平中的潜在分组会复杂化包括生物信息学、农业、工业、工程和医学在内的多个领域的推断。在此，我们介绍了 R 包 slgf，它使用户能够轻松实现我们最近开发的方法，通过贝叶斯模型选择来检测基于组的回归效应、潜在交互作用和/或异方差误差方差。我们重点关注分类预测变量的水平表现出两个潜在分组的场景。我们将这种分组结构的检测视为一个无监督学习问题，通过搜索因子水平的可能分组空间来实现。我们首先回顾了疑似潜在分组因子（SLGF）方法。接下来，使用观测数据和实验数据，我们阐明了 slgf 在几种常见线性模型布局中的用法：单因素方差分析（ANOVA）、协方差分析（ANCOVA）、双因素重复布局以及双因素无重复布局。我们选择的数据揭示了经典分析的缺陷，以强调当存在潜在分组结构时我们的方法所能提供的优势。