贝叶斯组合预测的问题!

请教进行贝叶斯组合预测时，特别是贝叶斯模型平均。
为什么可以用单一模型的后验概率表示组合权重？
后验概率的大小表示单一模型预测性能的优异还是拟合度的高低？

没有人回答我的问题啊，跪求啊

library(BMS)
data(attitude)
att = bms(attitude, mprior = "uniform", g = "UIP", user.int = F)
coef(att)
> coef(att)
                      PIP            Post Mean    Post SD Cond.Pos.Sign  Idx
complaints 0.9996351  0.684449094 0.12848607 1.00000000     2
learning      0.4056392  0.096481513 0.15035025 1.00000000     4
advance     0.2129325 -0.026686161 0.09044093 0.00000107     7
privileges   0.1737658 -0.011854183  0.06055425  0.00046267    3
raises         0.1665853  0.010567022 0.08231172  0.73338938     5
critical        0.1535886  0.001034563  0.05368470  0.89769774    6

#We see that with 99:9%, virtually all of posterior model
#mass rests on models that include "complaints".

topmodels.bma(att)[, 1:5]
> topmodels.bma(att)[, 1:5]
                           20              28              29                 24             30
complaints  1.0000000 1.0000000 1.00000000 1.00000000 1.00000000
privileges    0.0000000 0.0000000 0.00000000 0.00000000 1.00000000
learning       0.0000000 1.0000000 1.00000000 0.00000000 0.00000000
raises         0.0000000 0.0000000 0.00000000 1.00000000 0.00000000
critical         0.0000000 0.0000000 0.00000000 0.00000000 0.00000000
advance      0.0000000 0.0000000 1.00000000 0.00000000 0.00000000
PMP (Exact) 0.2947721 0.1661679 0.06678871 0.05891111 0.05690948
PMP (MCMC)  0.2947721 0.1661679 0.06678871 0.05891111 0.05690948

#We see that the best model, with 29% posterior model probability,
#is the one that only includes complaints.

#预测
predict(att)             #fitted values based on MCM frequencies
predict(att, exact=TRUE) #fitted values based on best models
                         #预设是 100 models
#采(20,28,29,24,30) 5 topmodels
#当然你可以试更多cases,比较预测结果
predict(att, topmodels=1:5)

进一步请参考package "BMS",
Bayesian Model Averaging with BMS.pdf

3# epoh

谢谢你，不过你是实证结果吧！