Script para generar una visualización de las distribuciones de efectos condicionales a posterior a partir de un objeto de tipo estimateEffect (básicamente el que creas cuando haces la regresión)

visual stm.R

library(stm)
library(tidytext)
library(ggridges)

n_topicos = 20
n_nuestras = 100

# iteración sobre tópicos
lapply(1:n_topicos, function(i){
  
  # iteración sobre muestra
  lapply(1:n_muestras, function(j){
    modeloEfectos_STM$parameters[[i]][[j]]["est"] %>% 
      unlist()
  }) %>% 
    do.call("rbind", .) %>% 
    as.data.frame() -> muestra
  
  muestra$topico <- i
  
  muestra
  
}) %>% 
  do.call("rbind", .) %>% 
  as.data.frame() %>% 
  gather("variable",
         "estimado", 1:(ncol(.)-1)) -> tempposterior


tempposterior %>% 
  ggplot() +
  aes(x = estimado, y = reorder_within(as.factor(topico),
                                       estimado, variable), 
      group = topico,
      fill = variable) +
  geom_density_ridges(scale = 1) +
  facet_wrap(.~variable, scales = "free_y") +
  theme_minimal(base_size = 21) +
  scale_x_continuous(expand = c(0,0)) +
  scale_y_reordered() +
  theme(legend.position = "none",
        axis.text.y = element_text(size = 10)) +
  geom_vline(xintercept = 0) +
  labs(x="Efecto", y="Tópicos") 

Por si quedara alguna duda, modeloEfectos_STM se crea con una rutina del tipo

modeloEfectos_STM <- estimateEffect(topicos ~ covariables,
modelo_elegido, # esto lo sacan del selectModel
meta = out$meta,
uncertainty = "Global", # estos últimos 2, a gusto del consumidor
nsims = 100)