Poissonova posteriorní předpověď

Proměnná l_weekday zachycuje trend objemu návštěvnosti na stezce v pracovní dny, kdy teplota dosahuje 80 stupňů:

> head(poisson_chains, 2)
       a b.1.    b.2.      c l_weekend l_weekday
1 5.0198    0 -0.1222 0.0141   465.924   412.324
2 5.0186    0 -0.1218 0.0141   466.284   412.829

Teď, když rozumíš trendu, pojďme udělat nějaké předpovědi! Konkrétně se pokusíme předpovědět objem návštěvnosti na příštím pracovním dni s teplotou 80 stupňů. K tomu je potřeba zohlednit individuální variabilitu kolem trendu, která je modelována věrohodností \(Y\)_i \(\sim Pois(l\)_i).

Pomocí rpois(n, lambda) pro velikost vzorku n a parametr rychlosti lambda budeš simulovat Poissonovy předpovědi objemu pro každou hodnotu posteriorně přípustného trendu v poisson_chains.

Toto cvičení je součástí kurzu

Bayesovské modelování s RJAGS

Zobrazit kurz

Pokyny k cvičení

Z každé z 10 000 hodnot l_weekday v poisson_chains použij rpois() k předpovědi objemu návštěvnosti v pracovní den s teplotou 80 stupňů. Výsledky ulož jako Y_weekday do poisson_chains.
Pomocí ggplot() sestav graf hustoty svých předpovědí Y_weekday.
Odhadni posteriorní pravděpodobnost, že objem návštěvnosti v pracovní den s teplotou 80 stupňů bude nižší než 400 uživatelů.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>% 
    mutate(Y_weekday = rpois(n = ___, lambda = ___))
    
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) + 
    geom_density()
    
# Posterior probability that weekday volume is less 400
mean(___)

Upravit a spustit kód