Posteriorní inference pro multivariátní regresi

Výstup RJAGS simulace s 10 000 iteracemi, rail_sim_2, je dostupný v tvém pracovním prostředí spolu s datovým rámcem výstupu Markovova řetězce:

> head(rail_chains_2, 2)
         a b.1.      b.2.        c         s
1 49.76954    0 -12.62112 4.999202 111.02247
2 30.22211    0  -3.16221 4.853491  98.11892

Těchto 10 000 unikátních sad hodnot parametrů použiješ k tomu, abys shrnul/a posteriorní průměrný trend ve vztazích mezi volume stezky, stavem weekday a hightemp.

Toto cvičení je součástí kurzu

Bayesovské modelování s RJAGS

Zobrazit kurz

Pokyny k cvičení

Sestav bodový graf závislosti volume na hightemp.

Pomocí color rozliš pracovní dny a víkendy.
Přidej red přímku znázorňující posteriorní průměrný trend lineárního vztahu mezi volume a hightemp pro víkendy: m = a + c Z
Přidej turquoise3 přímku znázorňující posteriorní průměrný trend lineárního vztahu mezi volume a hightemp pro pracovní dny: m = (a + b.2.) + c Z

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Plot the posterior mean regression models
ggplot(___, aes(x = ___, y = ___, color = ___)) + 
    geom_point() + 
    geom_abline(intercept = mean(___), slope = mean(___), color = "red") + 
    geom_abline(intercept = mean(___) + mean(___), slope = mean(___), color = "turquoise3")

Upravit a spustit kód