Die Likelihood-Funktion approximieren
Die erste Wahlumfrage ist da! \(X\) = 6 von 10 befragten Wählerinnen und Wählern planen, für dich zu stimmen. Du kannst diese Daten nutzen, um Einblick in deine zugrunde liegende Unterstützung \(p\) zu gewinnen. Dafür verwendest du den Data Frame likelihood_sim (in deinem Workspace). Er enthält die Werte von \(X\) (poll_result), simuliert aus jeweils 1.000 möglichen Werten von \(p\) zwischen 0 und 1 (p_grid).
Diese Übung ist Teil des Kurses
<Kurs>Bayesianisches Modellieren mit RJAGS</Kurs>Übungsanweisungen
Das hier gezeigte ggplot() konstruiert die Verteilung von \(p\), aus der jedes mögliche Ergebnis von \(X\) erzeugt wurde. Ändere den Code und füge eine fill-Bedingung hinzu, um die Verteilung hervorzuheben, die zu deinem beobachteten poll_result, \(X=6\), gehört. Das gibt dir ein Gefühl dafür, welche Werte von \(p\) am besten mit deinen Umfragedaten kompatibel sind!
Hinweis: setze diese Bedingung nicht in Klammern ().
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Density plots of p_grid grouped by poll_result
ggplot(likelihood_sim, aes(x = p_grid, y = poll_result, group = poll_result, fill = ___)) +
geom_density_ridges()