Naivní standardní chyby
Průměr \(m\) Markovova řetězce poskytuje odhad posteriórního průměru \(m\). Naivní standardní chyba měří potenciální nepřesnost tohoto odhadu. Na základě tohoto měření můžeme určit vhodnou délku řetězce. Představ si například, že tvým cílem je odhadnout posteriórní průměr \(m\) s přesností na 0.1 ms (v rámci standardní chyby). Pokud naměřená naivní standardní chyba tento cíl překročí, nevadí! Stačí spustit delší řetězec – chyba při aproximaci posterioru pomocí Markovova řetězce má tendenci klesat s rostoucí délkou řetězce.
K dispozici máš definovaný model sleep_model a zkompilovaný objekt sleep_jags.
Toto cvičení je součástí kurzu
Bayesovské modelování s RJAGS
Pokyny k cvičení
NASIMULUJ 1 000 vzorků z posteriórního modelu \(m\) a \(s\). Výsledky ulož do
sleep_sim_1.Získej
summary()řetězců zsleep_sim_1.Pokud naivní standardní chyba řetězce \(m\) překročí cílovou hodnotu 0.1, uprav simulaci: zkus použít buď 500, nebo 10 000 vzorků (místo 1 000). Výsledky ulož do
sleep_sim_2.Získej
summary()řetězců zsleep_sim_2. Ověř, že nová simulace splňuje stanovené kritérium. Pokud ne, vrať se k předchozímu kroku a zopakuj ho!
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# SIMULATE the posterior
sleep_sim_1 <- coda.samples(model = ___, variable.names = c("m", "s"), n.iter = ___)
# Summarize the m and s chains of sleep_sim_1
# RE-SIMULATE the posterior
sleep_sim_2 <- coda.samples(model = ___, variable.names = c("m", "s"), n.iter = ___)
# Summarize the m and s chains of sleep_sim_2