# ── 1 · Standard: Parameter-Draws aus brms ────────────────────────────────── # Geeignet für lineare Modelle (Gaussian family, Identity-Link). library(brms) draws <- as_draws_df(fit) # alle Parameter als data.frame draws_clean <- dplyr::select(draws, starts_with("b_"), sigma) # nur relevante Spalten — anpassen! write.csv(draws_clean, "draws.csv", row.names = FALSE) # Stan: posterior::as_draws_df(fit$draws()) # rstanarm: as.data.frame(fit) # ── 2 · G-Computation-Draws aus brms (ATE) ────────────────────────────────── # Verwende diese Option wenn dein Modell einen GLM-Link nutzt (Logit, Log etc.). # Rohe β-Draws liegen dann auf der Link-Skala — inhaltlich oft falsch. # G-Computation-Draws liegen immer auf der Response-Skala (z. B. Prozentpunkte). # Hinweis: Dieser Code schätzt nur den ATE (gesamte Population). # Für ATT oder ATU: siehe Causal Calculator → Abschnitt 5 & 6. library(marginaleffects) comp <- avg_comparisons(fit_gc, variables = "A") # ATE: gesamte Population comp # Zusammenfassung: Median + 95% CI # posteriordraws() extrahiert die Draw-Verteilung direkt aus comp: ate_post <- posteriordraws(comp)$draw # ⚠ Rohe Parameter-Draws (z. B. β_A) NICHT verwenden: bei GLMs oder # Interaktionen liegen diese auf der falschen Skala. Nur G-Computation-Draws # (aus posteriordraws(avg_comparisons(...))) sind inhaltlich korrekt. write.csv( data.frame(draw = ate_post), "ate_draws.csv", row.names = FALSE ) # Dann hier hochladen — die Spalte heißt "draw".