1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Bayesovské modelování s RJAGS
Connected

cvičení

Posteriorní věrohodné intervaly

Zaměřme se na parametr sklonu \(b\), tedy rychlost změny váhy v závislosti na výšce. Posteriorní průměr hodnoty \(b\) odráží trend v posteriorním modelu sklonu. Naproti tomu posteriorní věrohodný interval poskytuje rozsah posteriorně věrohodných hodnot sklonu, a tím odráží posteriorní nejistotu ohledně \(b\). Například 95% věrohodný interval pro \(b\) sahá od 2,5. do 97,5. kvantilu posteriorního rozdělení \(b\). To znamená, že je 95% (posteriorní) pravděpodobnost, že se \(b\) nachází v tomto rozsahu.

K aproximaci věrohodných intervalů pro \(b\) použiješ výstup ze simulace RJAGS. Simulace posteriorního rozdělení o 100 000 iteracích, weight_sim_big, je dostupná v tvém pracovním prostoru spolu s datovým rámcem výstupu Markovových řetězců, weight_chains.

Pokyny

100 XP
  • Získej souhrnné statistiky pomocí summary() pro řetězce weight_sim_big.
  • 2,5% a 97,5% posteriorní kvantily pro \(b\) jsou uvedeny v Tabulce 2 výstupu summary(). Ověř tyto výpočty pomocí funkce quantile() aplikované přímo na weight_chains. Výsledek ulož jako ci_95 a vypiš ho.
  • Obdobně sestav pomocí dat z weight_chains 90% věrohodný interval pro $b. Výsledek ulož jakoci_90` a vypiš ho.
  • Sestav graf hustoty hodnot Markovova řetězce pro \(b\). Přidej do něj svislé čáry znázorňující 90% věrohodný interval pro \(b\) pomocí geom_vline() s parametrem xintercept = ci_90.