Inference pro parametr rychlosti Poissonova rozdělení

Připomeň si strukturu věrohodnosti pro bayesovský Poissonův regresní model objemu \(Y\)_i podle stavu pracovního dne \(X\)_i a teploty \(Z\)_i:

\(Y\)_i \(\sim Pois(l\)_i) where \(l\)_i\( \; = exp(a + b \; X\)_i \(+ c \; Z\)_i\()\)

V tvém pracovním prostředí je simulace posterioru modelu poisson_sim o 10 000 iteracích v RJAGS 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

Na základě těchto 10 000 unikátních sad posteriorních věrohodných hodnot parametrů \(a\), \(b\) a \(c\) provedeš inference o typickém objemu návštěvnosti stezky ve dnech s teplotou 80 stupňů.

Toto cvičení je součástí kurzu

Bayesovské modelování s RJAGS

Zobrazit kurz

Pokyny k cvičení

Z každé sady hodnot parametrů poisson_chains vypočítej typický objem návštěvnosti stezky \(l\) v den víkendu s teplotou 80 stupňů. Výsledky ulož jako novou proměnnou l_weekend do poisson_chains.
Podobně vypočítej typický objem návštěvnosti v pracovní den s teplotou 80 stupňů. Výsledky ulož jako novou proměnnou l_weekday.
Vypočítej 95% posteriorní věrohodnostní intervaly pro typický objem v den víkendu s teplotou 80 stupňů a pro typický objem v pracovní den s teplotou 80 stupňů.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Calculate the typical volume on 80 degree weekends & 80 degree weekdays
poisson_chains <- poisson_chains %>% 
    mutate(l_weekend = exp(___ + ___ * 80)) %>% 
    mutate(l_weekday = exp(___ + ___ + ___ * 80))

# Construct a 95% CI for typical volume on 80 degree weekend


# Construct a 95% CI for typical volume on 80 degree weekday

Upravit a spustit kód