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

cvičení

Simulace v RJAGS pro multivariátní regresi

Uvažuj následující Bayesovský model objemu \(Y\)i podle stavu pracovního dne \(X\)i a teploty \(Z\)i:

  • věrohodnost: \(Y\)i \(\sim N(m\)i, \(s^2)\), kde \(m\)i \(= a + b X\)i \(+ c Z\)i .
  • apriorní rozdělení: \(a \sim N(0, 200^2)\), \(b \sim N(0, 200^2)\), \(c \sim N(0, 20^2)\), \(s \sim Unif(0, 200)\)

Z předchozího prozkoumání vztahu mezi volume, weekday a hightemp v datech RailTrail sis odnesl/a užitečné poznatky. Teď je zkombinuješ s informacemi z apriorních rozdělení a pomocí RJAGS sestavíš posteriorní model tohoto vztahu. Data RailTrail máš k dispozici ve svém pracovním prostoru.

Pokyny 1/3

undefined XP
    1
    2
    3

DEFINUJ svůj Bayesovský model a ulož ho jako rail_model_2. Konkrétně využij funkce dnorm() a dunif() z balíčku rjags:

  • Pro každý z 90 objektů \(i\) definuj \(m\)i a model \(Y\)i podmíněný \(m\)i a \(s\) v notaci RJAGS. Nezapomeň, že b[X[i]] je ekvivalentem výrazu \(bX\)i v RJAGS.

  • Zadej apriorní rozdělení pro \(a\), \(b\), \(c\) a \(s\).