Posterior-prädiktive Verteilung
Der Data Frame weight_chains (in deinem Workspace) enthält deine 100.000 posterioren Vorhersagen Y_180 für das Gewicht einer 180 cm großen erwachsenen Person:
> head(weight_chains, 2)
a b s iter m_180 Y_180
1 -113.9029 1.072505 8.772007 1 79.14803 71.65811
2 -115.0644 1.077914 8.986393 2 78.96014 75.78893
Du verwendest diese 100.000 Vorhersagen, um die posterior-prädiktive Verteilung für das Gewicht einer 180 cm großen erwachsenen Person zu approximieren. Die bdims-Daten befinden sich in deinem Workspace.
Diese Übung ist Teil des Kurses
Bayesianisches Modellieren mit RJAGS
Anleitung zur Übung
- Verwende die 10.000
Y_180-Werte, um ein 95-%-posteriores Glaubwürdigkeitsintervall für das Gewicht einer 180 cm großen erwachsenen Person zu konstruieren. - Erstelle ein Dichte-Diagramm deiner 100.000 posterior plausiblen Vorhersagen.
- Erstelle ein Streudiagramm der
wgt- vs.-hgt-Daten inbdims.- Verwende
geom_abline(), um den posterioren Regressionsverlauf zu überlagern. - Verwende
geom_segment(), um eine vertikale Linie bei einemhgtvon 180 zu überlagern, die die Unter- und Obergrenze (yundyend) vonci_180darstellt.
- Verwende
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Construct a posterior credible interval for the prediction
ci_180 <- quantile(___, probs = c(___, ___))
ci_180
# Construct a density plot of the posterior predictions
ggplot(___, aes(x = ___)) +
geom_density() +
geom_vline(xintercept = ci_180, color = "red")
# Visualize the credible interval on a scatterplot of the data
ggplot(___, aes(x = ___, y = ___)) +
geom_point() +
geom_abline(intercept = mean(___), slope = mean(___), color = "red") +
geom_segment(x = 180, xend = 180, y = ___, yend = ___, color = "red")