Poisson-Posteriorvorhersage

Deine Variable l_weekday spiegelt den Trend im Volumen an Wochentagen mit 80 Grad wider:

> 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

Jetzt, da du den Trend verstehst, lass uns Vorhersagen treffen! Genauer: Lass uns die Trail-Volumina für den nächsten Wochentag mit 80 Grad vorhersagen. Dazu musst du die individuelle Streuung um den Trend berücksichtigen, modelliert durch die Likelihood \(Y\)_i \(\sim Pois(l\)_i).

Mit rpois(n, lambda) für Stichprobengröße n und Ratennparameter lambda simulierst du Poisson-Vorhersagen des Volumens unter jedem Wert des posterior plausiblen Trends in poisson_chains.

Diese Übung ist Teil des Kurses

<Kurs>Bayesianisches Modellieren mit RJAGS</Kurs>

Kurs ansehen

Übungsanweisungen

Verwende für jeden der 10.000 l_weekday-Werte in poisson_chains rpois(), um das Volumen an einem Wochentag mit 80 Grad vorherzusagen. Speichere diese als Y_weekday in poisson_chains.
Erstelle mit ggplot() ein Dichte-Diagramm deiner Y_weekday-Vorhersagen.
Schätze die Posterior-Wahrscheinlichkeit, dass das Volumen an einem 80-Grad-Wochentag weniger als 400 Nutzer beträgt.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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(___)

Code bearbeiten und ausführen