Simulace v RJAGS s kategorickými proměnnými

Uvažujme normální regresní model objemu \(Y\)_i podle statusu pracovního dne \(X\)_i:

věrohodnostní funkce: \(Y\)_i \(\sim N(m\)_i, \(s^2)\), kde \(m\)_i \(= a + b X\)_i
apriorní rozdělení: \(a \sim N(400, 100^2)\), \(b \sim N(0, 200^2)\), \(s \sim Unif(0, 200)\)

Prozkoumal/a jsi vztah mezi \(Y\)_i a \(X\)_i pro 90 zaznamenaných dní v datasetu RailTrail (dostupném v tvém pracovním prostředí). Na základě těchto dat a uvedených apriorních rozdělení teď aktualizuješ posteriorní model tohoto vztahu. Od předchozích analýz se tento případ liší tím, že \(X\)_i je kategorická proměnná. V syntaxi rjags je její koeficient \(b\) definován dvěma prvky: b[1] a b[2], které odpovídají úrovním víkendu a pracovního dne. Pro referenci platí, že b[1] je nastaveno na 0. Naproti tomu b[2] je modelováno apriorním rozdělením pro \(b\).

Toto cvičení je součástí kurzu

Bayesovské modelování s RJAGS

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# DEFINE the model    
rail_model_1 <- "model{
    # Likelihood model for Y[i]
    for(i in ___){
      Y[i] ~ ___
      m[i] <- ___
    }
    
    # Prior models for a, b, s
    a ~ ___
    b[1] <- ___
    b[2] ~ ___
    s ~ ___
}"

Upravit a spustit kód