โ‰ก Inhalt
Einstieg 0 โ€” Grundlagen Modelle I โ€” LM โ†’ GLMM Bayes II โ€” Denken lernen III โ€” Small Worlds IV โ€” Modelle bauen Entscheidung V โ€” Entscheidung
Interaktive Statistik ยท Open Source

Bayes'sches Denken
lernen,
Modelle bauen.

Warum รผberzeuge ich mich durch neue Daten? Was bedeutet ein Prior? Wie formuliere ich ein hierarchisches Modell in R? Dieses Lab beantwortet diese Fragen โ€” interaktiv, visuell und direkt praxistauglich mit brms.

Mit Bayes starten โ†’ Grundlagen entdecken
ฮผฮฑ ฯƒฮฑ j = 1โ€ฆJ ฮฑj ฮฒ i = 1โ€ฆN ฮผแตข = ฯƒ y
Bachelor-Studium
Master-Studium
Promotion & Forschung
Angewandte Wissenschaft
Klinische Forschung

Ein kompletter Lernpfad.

Interaktive Tools โ€” vom linearen Modell bis zur Posterior-Entscheidung. Jedes Tool lรคuft vollstรคndig im Browser, ohne Installation, ohne Datenรผbertragung. Direkt kopierbarer R-Code (brms) in jedem Schritt des Workflows. Integriertes Glossar, um neue Begriffe erklรคrt zu bekommen.

Schwesterseite: MethodsLab โ†— โ€” interaktive Tools zu Psychometrie, Testtheorie, kausaler Inferenz und mehr.

Inspiriert von McElreath Statistical Rethinking und Kruschke Doing Bayesian Data Analysis. Fรผr Bachelor, Master und Forschende gleichermaรŸen geeignet.

0
Statistische Grundlagen
OLS, Residuen und Maximum Likelihood โ€” drei konzeptuelle Einstiegstools ganz ohne R und ohne Bayes. Idealer Start fรผr alle, die von Grund auf verstehen wollen, bevor es weitergeht zum GLM.
I
Vom LM zum GLMM
Wahrscheinlichkeitsverteilungen, bedingte Verteilungen, GLM in 3D und Mixed Models mit Partial Pooling. 4 aufeinander aufbauende Tools, empfohlen nach Section 0.
II
Denken lernen
Welche Verteilungsfamilie? Was bedeutet ein Prior? Wie entsteht ein Posterior? Wie sampelt MCMC? Mehrere Tools bauen echte Intuition auf โ€” von der Frage โ€žWarum รผberhaupt Bayes?" รผber Likelihood- und Prior-Auswahl bis zu analytischen Credible-Intervall-Bรคndern.
III
Small Worlds
โ€žSmall Worlds" nach McElreath (Statistical Rethinking, Kap. 2): Modelle als vereinfachte, konsistente Abbilder der Realitรคt konstruieren. Golem Builder: DAGs zeichnen, kausale Struktur klรคren (Confounder, Collider, d-Separation), Daten simulieren, brms- und glmmTMB-Code exportieren โ€” inklusive Instrumentalvariablen (mehrere IVs), Front Door Criterion (seriell & parallel) und Effektheterogenitรคt (Moderator W). Data Creator: parametrische Datengenerierung fรผr alle Designs und Likelihoods, mit Random-Effects-Formelvorschau und simulationsbasierter Poweranalyse fรผr R.
IV
Modelle bauen
Kruschke-Diagramme, brms-Code-Generierung mit Prior-Slidern, Prior und Posterior Predictive Checks, LOO-basierter Modellvergleich. Der vollstรคndige Zyklus von Modellentwurf und Prior-Spezifikation bis zum validierten Modell.
V
Vom Posterior zur Entscheidung
HDI, ETI und ROPE: drei parallele Entscheidungslogiken. Erst Konzepte interaktiv erkunden (Decision Lab), dann eigene Posterior-Draws laden, transformieren (Cohen's d, Odds Ratios) und fรผr Publikationen exportieren (Decision Maker). Fรผr kausale Effekte: G-Computation Builder generiert fertigen R-Code fรผr ATE/ATT/ATU โ€” direkt aus dem Golem Builder befรผllbar, mit Export in den Decision Maker.
Wie benutze ich dieses Lab?
โ‘  Navigiere รผber die farbigen Sektionen im Menรผ oben (0โ€“V) oder scrolle durch den Lernpfad von oben nach unten.
โ‘ก Klicke auf โ„น Hilfe in jedem Sektions-Header fรผr Lernziele, Voraussetzungen und die empfohlene Reihenfolge der Tools.
โ‘ข Folge den Flow-Pfeilen โ†’ zwischen den Sektionen oder springe direkt zu dem Tool, das du gerade brauchst.
๐Ÿ“–
Statistisches Glossar
Begriffe aus BTL & MethodsLab โ€” Definition, Formel, Intuition. Inklusive eigener Eintrรคge zu brms, marginaleffects und bayestestR mit direkt einsetzbarem R-Code pro Befehl. Kategoriefilter (Bayes, Kausalitรคt, IRT, Reliabilitรคt โ€ฆ), A-Z-Navigation & Volltextsuche.
Nachschlagen โ†’
๐Ÿ“š
Wissenschaftliche Referenzen
Bรผcher, Artikel & Websites, auf die die Tools verweisen (McElreath, Kurz, Pearl, Kruschke โ€ฆ). Kategoriefilter (Bayes, Kausalitรคt, Regression โ€ฆ), A-Z-Navigation & Volltextsuche.
Nachschlagen โ†’
0

Statistische Grundlagen

Drei konzeptuelle Einstiegstools โ€” ohne R, ohne Bayes. Was ist eine Regression? Wie funktioniert Maximum Likelihood? Und warum reicht das lineare Modell nicht immer? Idealer Start fรผr alle, die Bayesianisches Denken von Grund auf verstehen wollen.
๐Ÿ“ˆ
Regression Residuen OLS kein R
Lineares Modell interaktiv
Datenpunkte selbst einzeichnen, eine Gerade manuell einpassen โ€” und auf Knopfdruck die optimale OLS-Gerade sehen. Was sind Residuen? Warum minimiert OLS den RSS? Und was bedeutet es, dass die Streuung um die Gerade normalverteilt ist?

Mit bedingten Normalverteilungen entlang der Geraden und Live-Vergleich von eigenem RSS vs. OLS-Minimum.
Einstieg ยท Bachelor Ausprobieren
โ›ฐ
Likelihood MLE Log-Likelihood kein R
Maximum Likelihood
Likelihood โ‰  Wahrscheinlichkeit โ€” dieser Unterschied wird hier interaktiv erfahrbar. Eine Verteilung รผber die Daten โ€žschieben" und beobachten, wann der Dichtewert am Datenpunkt maximal wird โ€” das ist MLE.

Drei Stufen: ein Datenpunkt โ†’ viele Daten und die Likelihood-Landschaft โ†’ drei Familien (Normal, Poisson, Bernoulli) mit AIC/BIC-Vergleich.
Einstieg ยท Bachelor ยท Master Erkunden
๐ŸŒ‰
GLM Linkfunktion AIC kein R
Vom LM zum GLM
Was passiert, wenn man ein lineares Modell auf binรคre, Zรคhl- oder schiefe Daten anwendet? Drei Szenarien zeigen das Problem โ€” und wie GLMs mit passender Verteilung und Linkfunktion es lรถsen.

Fairer AIC-Vergleich LM vs. GLM, visuelle Linkfunktions-Erklรคrung, direkter Link zu den GLM-Tools in Section I.
Bachelor ยท Master Verstehen
Regressionsgrundlagen gelegt โ†’ weiter mit GLM, GLMM und Mixed Models
I

Vom LM zum GLMM

Vier aufeinander aufbauende Tools โ€” von Wahrscheinlichkeitsverteilungen รผber bedingte Verteilungen und rรคumliche GLM-Visualisierung bis zu Mixed Models mit Partial Pooling. Empfohlen nach Section 0.
๐Ÿ””
Verteilungen Verteilungsfamilien brms kein R
Distribution Lab
Wahrscheinlichkeitsverteilungen interaktiv โ€” welche Verteilung passt zu welchen Daten? Parameter verschieben, Momente einblenden, brms-Parametrisierung direkt ablesen.

Vorbereitung auf GLMs und bayesianische Modelle: Normale, Gamma, Beta, Poisson, Binomial, Neg. Binomial, ExGaussian, ZI-Familien und mehr.
Einstieg ยท Bachelor ยท Master Erkunden
๐ŸŽš๏ธ
GLM Tutorial
Bedingte Verteilungen
Was bedeutet es, wenn y|x normalverteilt ist? Dieses Tool visualisiert bedingte Verteilungen entlang eines Prรคdiktors โ€” der Kern jedes GLMs. Interaktiv verstellbare Parameter zeigen, wie sich Mittelwert und Streuung verschieben.
Bachelor ยท Master Visualisieren
๐ŸงŠ
GLM 3D Visualisierung
GLM in 3D
Lineare Regression dreidimensional: Regressionsflรคche, Residuen und Datenpunkte im Raum. Das rรคumliche Denken รผber Regressionsmodelle mit mehreren Prรคdiktoren wird hier buchstรคblich sichtbar.
Bachelor ยท Master Im Raum erleben
๐Ÿ”—
GLMM Mehrebenen Tutorial
GLMM interaktiv
Was ist Partial Pooling? Warum sind gemischte Modelle (Mixed Models) besser als separate Gruppen-Analysen? Dieses Tool zeigt den Unterschied zwischen Complete Pooling, No Pooling und Partial Pooling visuell und interaktiv.
Master ยท Forschung Pooling erleben
Mit diesem Fundament โ†’ Bayesianisches Denken aufbauen
II

Denken lernen

Mehrere Tools bauen Bayesianische Intuition auf und fรผhren zu den beiden zentralen Entscheidungen vor dem ersten brms-Modell: welche Verteilungsfamilie, welche Priors. Vom qualitativen Updating รผber den Posterior-Sampling-Algorithmus bis zur konkreten Likelihood- und Prior-Wahl.
๐Ÿง 
Simulator 8 Szenarien Kein Vorwissen nรถtig
Bayesian Thinking Simulator
โœ“ Kein Mathe-Vorwissen nรถtig โœ“ Fรผr alle Niveaus โœ“ Idealer Einstieg
Der beste Startpunkt. Acht psychologische Szenarien machen Bayesianisches Updating greifbar: Was glaube ich vor dem Experiment? Was sagen die Daten? Wie verรคndert sich mein Posterior? Keine Software, keine Formeln โ€” nur Intuition aufbauen.
โ˜… Empfohlen als allererster Schritt ยท Alle Niveaus Simulation starten
โš–
Frequentist vs. Bayes Posterior Credible Interval kein R
Warum Bayes?
Konkret und direkt: Was kann ein Bayesianischer Posterior, was ein p-Wert nicht kann? Zwei Akte โ€” frequentistische Ausgabe vs. interaktivem Posterior mit verschiebbarer Effektschwelle, dann Prior-Update live erleben.

Fรผr alle, die wissen wollen: Warum das Credible Interval kein Konfidenzintervall ist โ€” und warum das einen Unterschied macht.
Bachelor ยท Master ยท Forschung Vergleichen
๐Ÿงญ
Entscheidungshilfe Fit am Datensatz brms-Referenz kein R
Likelihood Compass
Bevor der erste Prior gesetzt wird, steht eine andere Entscheidung: welche Verteilungsfamilie passt zum Datengenerierungsprozess โ€” nicht nur zum Histogramm? Eine gefรผhrte Entscheidungshilfe fรผhrt von Reaktionszeiten, Summenscores und Zรคhldaten zu einer begrรผndeten Kandidatenliste.

Am eigenen Datensatz per Maximum Likelihood prรผfen (AIC/BIC), dann direkt zur brms-Referenz: Pflichtparameter, Priors, Go-to-Defaults pro Familie.
Bachelor ยท Master ยท Forschung Verteilung finden
๐Ÿ—บ
Interaktives Tutorial Parameter-Atlas kein R
Prior Compass
Bevor man im Prior Lab konkrete Verteilungen wรคhlt: Wofรผr braucht man รผberhaupt einen Prior, fรผr welchen Modellparameter, und in welchem Wertebereich ergibt das Sinn? Eine klickbare Modellgleichung zeigt, was Intercept, Slopes und ฯƒ steuern und welcher Wertebereich plausibel ist.

GLM-Linkskala: Modellskala vs. Response-Skala an Bernoulli-, Poisson- und Gamma-Beispielen. Entscheidungs-Wizard: gefรผhrte Fragen zu einem konkreten Prior-Vorschlag mit Deep-Link ins Prior Lab.
Bachelor ยท Master ยท Forschung Prior verstehen
๐ŸŽ›
Interaktives Tutorial Verteilungen CI-Solver
Prior Lab
Bevor man Priors in brms spezifiziert, muss man verstehen, was eine Verteilung impliziert. Mehrere Verteilungen, interaktive Parameter, 95%-CrI-Schattierung in Echtzeit.

CI-Solver: Gib an, in welchem Wertebereich 95% deiner Vorannahmen liegen sollen โ€” das Tool berechnet die Parameter zurรผck. Inklusive brms-Syntax und klickbaren Defaults.

GLM-Modus: Prior direkt auf der Rohdatenskala formulieren โ€” automatische Umrechnung auf die Modellskala (logit / log).
Bachelor ยท Master ยท Forschung Priors erkunden
๐Ÿšถ
Interaktives Tutorial 3 Stufen Metropolis-Hastings
MCMC Visualizer
Wie findet der Computer den Posterior? Ein animierter Wanderer erkundet die Posterior-Landschaft โ€” jeder Schritt, jeder Vorschlag sichtbar.

Drei Stufen: Uni- und bimodaler Posterior, dann 2D fรผr ฮผ und ฯƒ. Besonders hilfreich wenn spรคter Konvergenzprobleme auftreten.
Bachelor ยท Master ยท Forschung Sampling beobachten
๐Ÿ”„
Interaktiv Prior ยท Likelihood ยท Posterior
Bayes interaktiv
Wรคhle einen Prior, erzeuge Daten, beobachte wie der Posterior entsteht. Wie stark beeinflusst der Prior das Ergebnis? Wann wird der Posterior vom Prior unabhรคngig?

Live-Visualisierung von Prior, Likelihood und Posterior โ€” der Kern-Mechanismus Bayesianischen Lernens als direkte Erfahrung.
Bachelor ยท Master Erkunden
Denken gelernt โ†’ Small Worlds konstruieren
III

Small Worlds

Benannt nach Richard McElreath (Statistical Rethinking, Kap. 2): Modelle sind โ€žkleine Welten" โ€” vereinfachte Reprรคsentationen der Realitรคt. Diese Tools helfen, solche kleinen Welten zu bauen: kausale Strukturen als DAG skizzieren, Daten parametrisch generieren und Stichprobenplanung durchfรผhren โ€” bevor die echten Daten erhoben werden.
๐Ÿ‘ป
DAG lesen Adjustieren d-Separation do-Kalkรผl 3 Stufen
Causal Terror
โœ“ Kein Vorwissen in Kausalanalyse nรถtig โœ“ Pfadanalyse an Beispielgraphen โœ“ Aufgaben mit Live-Rรผckmeldung
Kontrollieren macht Analysen nicht automatisch besser. Wer zusรคtzliche Variablen ins Modell aufnimmt, kann einen Effekt verzerren, abschwรคchen oder einen Zusammenhang erzeugen, den es gar nicht gibt. McElreath nennt das in Kapitel 6 von Statistical Rethinking (โ€žThe Haunted DAG & The Causal Terrorโ€œ) den kausalen Schrecken. Dieses Tool macht sichtbar, woran das liegt: an den Pfaden zwischen Ursache und Wirkung und daran, was eine Adjustierung mit ihnen macht.
Stufe 1 ยท Informationsfluss: Confounder (Fork), Mediator (Chain) und Collider an kleinen Beispielen. Du siehst, wann zwischen zwei Variablen ein Zusammenhang entsteht und was Adjustieren damit macht.

Stufe 2 ยท Pfade lesen: Beispielgraphen untersuchen (M-Bias, Collider-Nachfahre, Front-Door, Instrument). Fรผr jeden Pfad zeigt das Tool, an welcher Station er offen oder blockiert ist, und was das fรผr den Effekt bedeutet.
Stufe 3 ยท Anwendung: Sport und Herzgesundheit. Du wรคhlst selbst, was du adjustierst, um den Gesamteffekt (Aufgabe A) und den direkten Effekt (Aufgabe B) zu schรคtzen. Mit โ€žMeine Lรถsung prรผfenโ€œ erscheint die Live-Auswertung, die zeigt, welche Wege sich รถffnen oder schlieรŸen. Wer nicht weiterkommt, kann sich die Pfade einblenden lassen. Daraus ergibt sich der indirekte Effekt.

Formale Herleitung: Die drei Regeln des do-Kalkรผls als Fragen an den Graphen, aufklappbar nach der Aufgabe.
Bachelor ยท Master ยท Forschung Adjustieren รผben
๐Ÿ”ฎ
DAG Builder dagitty-Logik Simulation brms ยท glmmTMB โ†’ G-Comp Builder
Golem Builder
DAGs grafisch aufbauen und kausal auswerten: Welche Variablen mรผssen kontrolliert werden (Confounder), welche dรผrfen nicht (Collider), welche erhรถhen die Prรคzision? Testbare Implikationen (d-Separation) direkt ableiten.

Simulation & Code: Beziehungen quantifizieren (inkl. Effektheterogenitรคt via Moderator W), Daten aus dem DAG simulieren und generierten brms- und glmmTMB-Code direkt kopieren. Automatische Erkennung von Instrumentalvariablen (auch mehrere IVs) und Front Door Criterion (serielle & parallele Mediation, Pearl-konform).

โ†’ G-Comp Builder: Mit einem Knopfdruck DAG-Parameter direkt in den G-Computation Builder รผbertragen โ€” Exposition, Outcome, Adjustierungsmenge und Formel werden automatisch importiert, ohne Umwege รผber R-Code.
Master ยท Forschung DAG bauen
๐Ÿงช
Datengenerierung Between ยท Within ยท Mixed GLM-Familien Poweranalyse
Data Creator
Parametrische Datengenerierung fรผr alle gรคngigen Designs: Between-Subjekt, Within-Subjekt (Messwiederholung) und gemischte Designs โ€” mit Kovariablen, Cluster-Strukturen (Random Intercepts & Slopes) und beliebigen StichprobengrรถรŸen.

Unterstรผtzte Likelihoods: Gaussian, Student-t, Log-Normal, Gamma, Bernoulli, Beta, Binomial, Poisson, Negativ-Binomial. Vollstรคndiger faux- und glmmTMB-R-Code als Export. Live-Modellformel-Vorschau inklusive Random Effects (bei Within-Faktoren automatisch mit (1 | id), optional Random Slope).

Poweranalyse: Auskommentierter simulationsbasierter Power-Block (glmmTMB + car::Anova, Option B: LRT) direkt im generierten R-Code โ€” bereit zum Ausfรผhren in R.
Bachelor ยท Master ยท Forschung Daten erstellen
Small Worlds konstruiert โ†’ Bayesianischen Workflow starten
IV

Modelle bauen

Fรผnf Tools bilden den vollstรคndigen Bayesianischen Workflow ab โ€” von Modellentwurf und Code-Generierung รผber Modellprรผfung bis zur Posterior-Validierung und zum Modellvergleich nach dem Fitten. Kausale DAG-Struktur und Datengenerierung: โ†’ Section III โ€” Small Worlds.
WORKFLOW
โ‘  MODELL ENTWERFEN
โ†’
โ‘ก CODE GENERIEREN
โ†’
โ‘ข PRIORS PRรœFEN
๐Ÿ—๏ธ
Kruschke McElreath Tutorial + Tool
Model Architect
Schritt โ‘ : Baue dein Modell visuell auf. Wรคhle Likelihood, Prรคdiktoren und Struktur โ€” das Tool zeichnet in Echtzeit das Kruschke-Diagramm und zeigt die McElreath-Notation. Priors werden als Mini-Verteilungskurven im Diagramm angezeigt.

Mit gefรผhrtem Walkthrough fรผr Einsteiger โ€” von der Likelihood-Wahl bis zum vollstรคndigen hierarchischen Modell.
Bachelor ยท Master ยท Forschung Modell entwerfen
โš™๏ธ
brms R-Code Tool
brms Model Builder
Schritt โ‘ก: Der vollstรคndige brms-Code-Generator. Prรคdiktoren konfigurieren, Priors einstellen (mit Live-Slider und Verteilungskurven), Sampling-Parameter setzen โ€” und den fertigen R-Code kopieren. Unterstรผtzt auch distributional models und Mehrebenenstrukturen.
Master ยท Forschung ยท Professionell Code generieren
๐Ÿ”
Prior Predictive Diagnose Tool
Prior Predictive Check
Schritt โ‘ข: Bevor die Daten flieรŸen โ€” simuliere, was dein Modell a priori vorhersagt. Sinnvolle Priors erzeugen realistische Vorhersagen. Das Tool importiert die Prior-Konfiguration direkt aus dem brms Model Builder und visualisiert Prior Predictive Distributions.
Master ยท Forschung ยท Professionell Priors prรผfen
โœฆ Advanced Model Builder โ€” ergรคnzt Schritt โ‘ก: seltene/fortgeschrittene brms-Bausteine (Mixture-Modelle, Horseshoe-Prior, Stanvars, Autokorrelation, Multi-Membership, Zensierung/Trunkierung, u.a.), die der Standard-Builder nicht abdeckt. Kein eigener Workflow-Schritt โ€” kein Code-Import/Export zu den anderen Tools. Erkunden โ†’
โ‘ฃ nach R fitten โ†“ Posterior PPC
โ‘ค nach PPC โ†’ Modelle vergleichen
โ†“
โ†“
๐Ÿฉบ
Shiny ยท Live echtes Modell bayesplot
Posterior Predictive Check
Schritt โ‘ฃ: Nach dem Fitten in R โ€” lade dein brms-Modell hoch und prรผfe, ob es die Daten gut reproduziert. Gefรผhrtes Tutorial durch KDE-Overlay, Kennzahlen, Fehlerstruktur und Vorhersageintervalle mit automatischer Bewertung.

Benรถtigt: gespeichertes brms-Objekt (saveRDS(fit, "modell.rds")). Lรคuft als Shiny-App โ€” kein R vor Ort nรถtig.
Master ยท Forschung Modell prรผfen โ†—
๐Ÿ”ญ
LOO-CV elpd ยท PSIS Pareto-k loo_compare()
LOO Lab
Schritt โ‘ค: Nach der PPC โ€” Modelle vergleichen. loo_compare()-Output direkt aus R einfรผgen und annotiertes Forest-Plot, Pareto-k-Diagnostik und Ampel-Entscheidungsregel erhalten.

Konzept zuerst: Animierter LOO-Walkthrough zeigt, wie elpd aus ausgelassenen Vorhersagen entsteht โ€” kein R fรผr Stufe 1 nรถtig.
Master ยท Forschung ยท Angewandt Modelle vergleichen
Posterior liegt vor โ†’ jetzt Entscheidung treffen
V

Vom Posterior zur Entscheidung

HDI, ETI und ROPE โ€” aus einem Posterior eine begrรผndete Aussage machen. Konzepte erkunden (Decision Lab), eigene Draws analysieren (Decision Maker). Kausale Effekte schรคtzen: Causal Calculator als gefรผhrtes Beispiel, G-Computation Builder fรผr eigene Analysen โ€” direkt aus dem Golem Builder befรผllbar, mit Export in den Decision Maker.
โ‘ฅ HDI ยท ETI ยท ROPE ยท Entscheidung
โ˜ฝ Golem Builder โ†’ G-Comp โ†’ Decision Maker
๐Ÿงญ
Interaktiv HDI ยท ETI ยท ROPE bayestestR
Decision Lab
Was ist ein HDI โ€” und worin unterscheidet er sich vom Equal-Tailed Interval? Wo liegt der Effekt, und fรคllt er in die Region praktischer ร„quivalenz (ROPE)?

Drei Entscheidungslogiken parallel: trichotome Ampel, Full-ROPE-Anteil und ETI-Vergleich. Normal-, t- und Gamma-Posterior wรคhlbar. Inklusive bayestestR-Code.
Master ยท Forschung Entscheidung erkunden
๐Ÿ”ฌ
CSV-Upload echte Draws bayestestR
Decision Maker
Eigene Posterior-Draws aus brms, Stan oder rstanarm laden โ€” Transformationen und abgeleitete GrรถรŸen (Cohen's d, Odds Ratios) direkt als Formel definieren. HDI, ETI und ROPE auf echten Daten. APA-Export fรผr Publikationen.
Forschung ยท Anwendung Draws analysieren
โš—๏ธ
Gefรผhrtes Beispiel ATE ยท ATT ยท ATU brms
Causal Calculator
Kausale Effekte via G-Computation (Standardisierung): Konfundierung sichtbar machen, naiven Bias korrigieren, ATE / ATT / ATU vergleichen, Kontrafaktuale visualisieren.

Gefรผhrtes Beispiel โ€” idealer Einstieg in G-Computation. Fรผr eigene Analysen: โ†’ G-Comp Builder.
Master ยท Forschung Beispiel erkunden
๐Ÿ› ๏ธ
R-Code Generator marginaleffects ATE ยท ATT ยท ATU โ†’ Decision Maker
G-Comp Builder
Generiert fertigen R-Code fรผr G-Computation via marginaleffects โ€” ATE, ATT und ATU fรผr binรคre Exposures, AME und Dosis-Wirkungskurve fรผr metrische Exposures.

Golem Builder Import: DAG-Struktur, Exposition, Outcome und Adjustierungsmenge werden mit einem Knopfdruck direkt รผbertragen โ€” ohne Umwege รผber R-Code.

Decision Maker Export: Generiert CSV-Export-Code der MCMC-Draws fรผr den direkten Import in den Decision Maker.
Master ยท Forschung Code generieren
Wissenschaftliche Grundlagen & Danksagungen
Dieses Lab ist von den pรคdagogischen und methodischen Ansรคtzen der folgenden Wissenschaftlerinnen und Wissenschaftler inspiriert und aufgebaut.
JKK
John K. Kruschke
Die visuellen Modelldiagramme und die HDI/ROPE-Entscheidungslogik basieren auf seinem Werk Doing Bayesian Data Analysis.
doingbayesiandataanalysis.blogspot.com โ†—
RM
Richard McElreath
Modellarchitektur, kausale Inferenz mit DAGs und der Bayesianische Workflow folgen seinem Ansatz in Statistical Rethinking.
github.com/rmcelreath โ†—
ASK
A. Solomon Kurz
Seine umfassenden รœbersetzungen der Standardwerke in die brms- und tidyverse-Syntax sind eine unschรคtzbare Ressource fรผr angewandte Bayesianische Modellierung.
solomonkurz.netlify.app โ†—
PCB
Paul-Christian Bรผrkner
Alle Code-Ausgaben dieses Labs zielen auf Kompatibilitรคt mit brms, dem von ihm entwickelten R-Paket fรผr Bayesianische Regressionsmodelle.
paul-buerkner.github.io/brms โ†—
Hilfe