r-bayes 是一套面向 R 语言的贝叶斯推断模式集合，主要围绕 brms 包展开，并整合 cmdstanr、dagitty、ggdag、marginaleffects、tidybayes、bayesplot 等工具。其内容以代码模式的形式组织，覆盖从因果图构建到模型诊断与结果解释的完整流程。
用途 该技能用于在 R 中执行贝叶斯分析，尤其适合需要处理多层/嵌套数据、纵向数据、因果推断以及效应量解释的场景。它强调先定义因果结构，再拟合模型，最后在可解释尺度上呈现结果。
主要能力
- 因果有向无环图（DAG）：使用 dagitty 定义 DAG 结构，识别调整集（直接效应与总效应），通过 localTests() 用数据验证隐含条件独立性，并用 ggdag 可视化。
- 贝叶斯回归：使用 brms 配合 cmdstanr 后端拟合模型，支持二分类（bernoulli）、计数（poisson、negbinomial）、连续（gaussian、student）、有序（cumulative）等分布族，可显式设定先验、缓存编译模型、控制采样参数。
- 多层模型：支持随机截距、随机斜率、交叉随机效应，以及个体内中心化（分离个体间与个体内效应）和滞后预测变量（建立时间先后关系）。
- 结果提取与解释：从后验抽样中计算中位数、可信区间、方向概率、优势比，并比较效应量大小。
- 边际效应：使用 marginaleffects 计算平均边际效应、特定取值下的预测值、边际效应图，以及跨模型比较斜率。
- 模型诊断：MCMC 轨迹图、R-hat、有效样本量、后验预测检验、先验-后验对比。
- 后验操作与可视化：使用 tidybayes 以整洁格式提取抽样、汇总与绘图。
使用方式 典型工作流为：先用 dagitty 定义因果 DAG，再用 localTests() 验证 DAG 与数据的一致性，识别目标效应的调整集；随后基于领域知识设定先验，用 brms 拟合含随机效应的模型；接着检查收敛与后验预测检验；最后提取后验进行推断，计算可解释尺度上的边际效应并可视化不确定性。代码中提供了标准模型调用模板、先验定义方式、多层模型公式、个体内中心化与滞后变量的构造方法，以及诊断与绘图示例。
适用场景 适用于需要在 R 中做贝叶斯分析的统计建模任务，包括纵向/重复测量数据、嵌套数据结构、因果效应估计、以及需要报告后验概率与可信区间的分析。
限制 资料未提供该技能的安装方式、依赖版本、运行环境要求、性能表现或收费信息。部分代码示例中的变量名（如 treatment、outcome、analysis_data）为示意，实际使用时需替换为真实数据与变量。