paul-buerkner/brms

📦 brms – 使用 Stan 的贝叶斯回归模型（R）

是什么

• 一个 R 包，允许你通过编写熟悉的 lme4 风格 公式来拟合贝叶斯广义（非线性）多层模型，并自动将其转换为 Stan 代码。
• Stan 负责繁重的工作：运行哈密顿蒙特卡洛（NUTS）从后验分布中抽取样本。

为何重要

• 为统计学家和数据科学家提供了一个高级、用户友好的接口，无需手动编写 Stan 代码即可进行复杂的贝叶斯推断。
• 支持大量响应分布类型（高斯、泊松、二项、有序、零膨胀、自定义混合等）和模型组件（平滑项、自相关、删失数据、缺失值插补、分布回归、多变量响应）。
• 支持灵活的先验设定，以及内置的模型检查、交叉验证和贝叶斯因子比较工具。

主要功能（如 README 所述）

• 公式语法类似 lme4 → 对 R 用户学习成本低。
• 自动生成 Stan 代码（stancode 方法）并编译。
• 支持任意分组结构的多层（分层）建模。
• 通过 mgcv 支持非线性、样条（s, t2）和平滑项。
• 后验预测检查、loo/kfold 交叉验证、贝叶斯因子。
• 可视化辅助函数（plot、conditional_effects，与 bayesplot、ggplot2 集成）。
• 与 rstan、rstanarm、bridgesampling、loo、bayesplot、mgcv 等兼容。

典型工作流程（摘自 README）

library(brms)
# 拟合泊松多层模型
fit1 <- brm(count ~ zAge + zBase * Trt + (1|patient),
            data = epilepsy, family = poisson())

# 汇总后验抽样结果
summary(fit1)

# 可视化系数
plot(fit1, variable = c("b_Trt1", "b_zBase"))

# 对新数据进行预测（忽略随机效应）
newdata <- data.frame(Trt = c(0,1), zAge = 0, zBase = 0)
predict(fit1, newdata = newdata, re_formula = NA)

README 还展示了如何使用近似留一交叉验证（loo）比较两个模型。

安装

• 稳定版 CRAN 发布：install.packages("brms")
• 开发版：remotes::install_github("paul-buerkner/brms")
• 需要 C++ 编译器（Windows 使用 Rtools，macOS 使用 Xcode），因为 Stan 需要编译。

文档与学习资源

• 官方网站及教程：https://paulbuerkner.com/brms/
• 入门论文（JSS）和高级多层建模论文（R Journal）。
• 博客文章、Stan Discourse 论坛、GitHub 问题追踪器获取帮助。

引用 使用 brms 时，请引用 2017 年 JSS 论文（Bürkner）和 Stan 论文，以及所用的任何辅助包。

总结 brms 是连接 R 的回归公式生态系统与 Stan 强大贝叶斯推断引擎之间成熟、广泛使用的桥梁，使最先进的贝叶斯多层建模对广大用户可及。