Začněte nyníZačněte zdarma

Výpočet posteriorních predikcí

Právě jsi prozkoumal/a posteriorní trend váhy \(Y\) u dospělých s výškou \(X = 180\): \(m\)180 \(= a + b * 180\). Datový rámec weight_chains obsahuje 100 000 posteriorně věrohodných hodnot \(m\)180, které jsi vypočítal/a z odpovídajících hodnot \(a\) a \(b\): 

> head(weight_chains, 2)
          a        b        s iter     m_180
1 -113.9029 1.072505 8.772007    1  79.14803
2 -115.0644 1.077914 8.986393    2  78.96014

Zapomeň na trend – co kdybys chtěl/a předpovědět váhu konkrétního dospělého člověka s výškou 180 cm? To je možné! Musíš přitom zohlednit individuální variabilitu kolem trendu, kterou modeluje rozdělení

\(Y\)180 \(\sim N(m\)180\(, s^2)\)

S pomocí tohoto modelu budeš simulovat predikce váhy pro každou sadu posteriorně věrohodných parametrů v weight_chains.

Toto cvičení je součástí kurzu

Bayesovské modelování s RJAGS

Zobrazit kurz

Pokyny k cvičení

  • Pomocí rnorm() simuluj jedinou predikci váhy při hodnotách parametrů z prvního řádku weight_chains.
  • Totéž zopakuj s hodnotami parametrů z druhého řádku weight_chains.
  • Simuluj jedinou predikci váhy pro každou z 100 000 sad parametrů v weight_chains. Výsledky ulož jako novou proměnnou Y_180 v weight_chains.
  • Vypiš prvních 6 řádků hodnot parametrů a predikcí z weight_chains.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Simulate 1 prediction under the first parameter set
rnorm(n = 1, mean = ___, sd = ___)

# Simulate 1 prediction under the second parameter set
rnorm(n = 1, mean = ___, sd = ___)

# Simulate & store 1 prediction under each parameter set
weight_chains <- weight_chains  %>% 
    mutate(Y_180 = rnorm(n = 100000, mean = ___, sd = ___))

# Print the first 6 parameter sets & predictions
Upravit a spustit kód