brms-Syntax (brm(y ~ x + (1|group), family = ..., prior = ...)) ist kompakt, aber nicht immer selbsterklärend — gerade am Anfang landet man schnell bei einem Beispiel aus dem Internet, das kopiert statt wirklich verstanden wird. Der Model Builder macht stattdessen jeden Baustein einzeln anfassbar — Likelihood, Prädiktoren, Random Effects, Priors — du siehst sofort, wie sich jede einzelne Wahl auf den generierten R-Code auswirkt, und bekommst die entsprechende McElreath-Notation (α, β, σ) direkt dazu. Dieses Tool setzt voraus, dass du schon weißt, welche Prädiktoren, Random Effects und Verteilungsfamilie dein Modell haben soll. Fehlt dir noch die grobe Struktur — welche Variablen überhaupt rein sollen, wie Hyperpriors und Priors zusammenhängen —, skizziere sie zuerst im Bayesian Model Architect im Kruschke-Diagramm-Stil. 1 · Likelihood — Verteilungsfamilie der Outcome-Variable
2–3 · Prädiktoren & Interaktionen — Fixed Effects deines Modells
4 · Distributional Model — optional: auch Parameter wie σ durch Prädiktoren erklären
5 · Random Effects — optional: hierarchische Struktur (Mehrebenenmodelle)
6 · Priors — brms-Syntax mit sinnvollen Defaults; unsicher bei der Wahl? Der Prior Lab übersetzt inhaltliche Grenzen automatisch in Verteilungsparameter
7 · Sampling — technische Parameter wie Iterationen, Chains oder Backend einstellen Das fertige Modell lässt sich direkt an den Prior Predictive Check senden (Button „⬡ → PP-Check" oben), um die Priors vor dem eigentlichen Fit zu validieren. Für sehr spezifische Modellformen — z.B. Mixture-Modelle (latente Subgruppen) oder Splines/Gaussian-Process-Terme (nichtlineare Effekte) — schau im Advanced Model Builder nach, falls du ein gewünschtes Modell oder eine Funktion hier nicht findest.