Vykreslení Poissonova regresního modelu

Připomeň si strukturu věrohodnosti svého bayesovského Poissonova regresního modelu pro objem \(Y\)_i v závislosti na statusu pracovního dne \(X\)_i a teplotě \(Z\)_i: \(Y\)_i \(\sim Pois(l\)_i) kde

\(log(l\)_i\() \; = a + b \; X\)_i \(+ c \; Z\)_i; tedy
\(l\)_i\( \; = exp(a + b \; X\)_i \(+ c \; Z\)_i\()\)

Tvoje 10 000iterační RJAGS simulace posterioru modelu, poisson_sim, je k dispozici v pracovním prostředí spolu s datovým rámcem výstupu Markovova řetězce:

> head(poisson_chains, 2)
         a b.1.       b.2.          c
1 5.019807    0 -0.1222143 0.01405269
2 5.018642    0 -0.1217608 0.01407691

Tyhle výsledky využiješ k vykreslení posteriorních trendů Poissonovy regrese. Nelineární trendy lze přidat do ggplot() pomocí stat_function(). Například zadáním fun = function(x){x^2} získáš kvadratický trendový graf.

Toto cvičení je součástí kurzu

Bayesovské modelování s RJAGS

Zobrazit kurz

Pokyny k cvičení

Vytvoř bodový graf závislosti volume na hightemp s následujícími vlastnostmi:

Pomocí color rozliš pracovní dny a víkendy.
Přidej red křivku znázorňující posteriorní průměrný trend Poissonovy regrese \(l\)_i pro lineární vztah mezi volume a hightemp o víkendech: l = exp(a + c Z)
Přidej turquoise3 křivku znázorňující posteriorní průměrný trend Poissonovy regrese \(l\)_i pro lineární vztah mezi volume a hightemp v pracovní dny: l = exp((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() + 
    stat_function(fun = function(x){___(mean(___) + mean(___) * x)}, color = "red") + 
    stat_function(fun = function(x){___(mean(___) + mean(___) + mean(___) * x)}, color = "turquoise3")

Upravit a spustit kód