paul-buerkner/brms

📦 brms – 使用 Stan 的貝葉斯迴歸模型（R）

是什麼

• 一個 R 套件，允許你透過撰寫熟悉的 lme4 風格 公式來擬合貝葉斯廣義（非線性）多層模型，並自動轉換為 Stan 程式碼。
• Stan 負責繁重的工作：執行哈密頓蒙地卡羅（NUTS）從後驗分佈中抽取樣本。

為何重要

• 為統計學家與資料科學家提供高階、使用者友善的介面，無需手動撰寫 Stan 程式碼即可進行複雜的貝葉斯推論。
• 支援大量回應分佈（常態、泊松、二項、順序、零膨脹、自訂混合等）與模型元件（平滑項、自相關、截斷資料、遺失值插補、分佈迴歸、多變量回應）。
• 支援靈活的先驗設定，以及內建的模型檢查、交叉驗證與貝氏因子比較工具。

主要功能（如 README 所述）

• 公式語法類似 lme4 → 對 R 使用者學習曲線低。
• 自動產生 Stan 程式碼（stancode 方法）並編譯。
• 支援任意分組結構的多層（階層）建模。
• 透過 mgcv 支援非線性、樣條（s, t2）與平滑項。
• 後驗預測檢查、loo/kfold 交叉驗證、貝氏因子。
• 可視化輔助函數（plot、conditional_effects，與 bayesplot、ggplot2 整合）。
• 與 rstan、rstanarm、bridgesampling、loo、bayesplot、mgcv 等相容。

典型工作流程（摘自 README）

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

# 匯總後驗抽樣結果
summary(fit1)

# 可視化係數
plot(fit1, variable = c("b_Trt1", "b_zBase"))

# 對新資料進行預測（忽略隨機效應）
newdata <- data.frame(Trt = c(0,1), zAge = 0, zBase = 0)
predict(fit1, newdata = newdata, re_formula = NA)

README 也展示了如何使用近似留一交叉驗證（loo）比較兩個模型。

安裝

• 穩定版 CRAN 發布：install.packages("brms")
• 開發版：remotes::install_github("paul-buerkner/brms")
• 需要 C++ 編譯器（Windows 使用 Rtools，macOS 使用 Xcode），因為 Stan 必須編譯。

文件與學習資源

• 官方網站與教學文件：https://paulbuerkner.com/brms/
• 入門論文（JSS）與高階多層建模論文（R Journal）。
• 博客文章、Stan Discourse 論壇、GitHub 問題追蹤器以獲取協助。

引用 使用 brms 時，請引用 2017 年 JSS 論文（Bürkner）與 Stan 論文，以及所使用的任何輔助套件。

總結 brms 是連接 R 的迴歸公式生態系統與 Stan 強大貝葉斯推論引擎之間成熟且廣泛使用的橋樑，使最先進的貝葉斯多層建模對廣大使用者可及。