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

cvičení

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.

Pokyny

100 XP

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)