因此，或 GLM 中基于偏差的伪的美妙之处在于它们对非专业人士的直观解释。GLMM 在这方面也有一些不错的发展（参见 Nakagawa 和 Schielzeth 的 (2013) 方法和来自民间的扩展，例如 @jslefche 的https://github.com/jslefche/piecewiseSEM包）。
但是 - 当谈到更时髦的模型时，特别是那些使用贝叶斯方法的模型，我有点不知所措。虽然如果您深入了解 LOO 指标的含义，那么 LOO 指标是有意义的，但对于我们这些与非专业人士合作的人来说，是否有一些东西——测试统计或类似的东西——可以直接沟通作为？我最近一直在使用分位数残差来评估 GLMM 和更时髦的模型 - https://cran.r-project.org/web/packages/DHARMa/vignettes/DHARMa.html - 并且想知道是否有可能有什么东西吗？
但是，我们如何为普通人解释的复杂贝叶斯模型制定拟合指标？
另请参阅 Andrew Gelman 的论文，标题为“贝叶斯回归模型的 R 平方”：
http://www.stat.columbia.edu/~gelman/research/unpublished/bayes_R2.pdf
在那篇论文中，他提出具有相似的解释。然而，由于这是贝叶斯，该值现在是 rv 并且需要总结，例如通过后中位数。
他还提供了一个小的 R 函数来计算它。
为了检查模型的充分性，分层贝叶斯模型的评估通常与 DHARMa 中的完全一样——您从拟合模型中模拟并计算分位数残差。与 DHARMa 的唯一区别是您在进行模拟时也会改变参数。
这种方法在许多教科书中都有解释。关键词是“后验预测模拟”、“后验模型检查”或“贝叶斯 p 值”。几点注意事项
至于混合模型，问题在于您重新模拟了多少层次的层次结构。尤其是在仅重新模拟最终观察模型时，状态空间人口模型看起来很棒，但是如果您也重新模拟过程模型，它通常看起来非常不同 -> 当人们只显示最终拟合时，有充分的理由持怀疑态度在 SSM 中，即使模型非常错误，这看起来也很棒。
对于复杂模型，这些残差的分布理论并不十分清楚——对于 GLMM，我迄今为止所做的所有模拟都表明，模拟的分位数残差具有良好的近似平坦度，但对于任何复杂的模型结构可能并非如此。如有疑问，请在正确指定的模型上运行测试。
DHARMa 具有输入后验预测模拟的功能（createDHARMa），因此您可以将 DHARMa 的所有工具与分层贝叶斯模型一起使用
但是，所有这些更多地是标准残差诊断的替代品，而不是 R2，后者是衡量您对目标变量的解释程度的衡量标准。
对于 R2，您可以简单地在后验预测分布上计算 R2 或 RMSE，无论您最喜欢什么，但是，对于混合模型出现的所有警告，即您必须考虑“解释”的含义，会产生随机效应“解释”数据与否——这在状态空间模型中尤为明显，即使模型基本上不知道为什么数据会以这种方式移动，您也可以让拟合状态非常接近数据。