Calcular predicciones a posteriori

Acabas de explorar la tendencia a posteriori del peso \(Y\) entre personas adultas con altura \(X = 180\): \(m\)₁₈₀ \(= a + b * 180\). El data frame weight_chains contiene 100.000 valores plausibles a posteriori de \(m\)₁₈₀ que calculaste a partir de los valores correspondientes de \(a\) y \(b\):

> head(weight_chains, 2)
          a        b        s iter     m_180
1 -113.9029 1.072505 8.772007    1  79.14803
2 -115.0644 1.077914 8.986393    2  78.96014

Olvida la tendencia: ¿y si quisieras predecir el peso de una persona concreta que mide 180 cm? ¡Puedes hacerlo! Para ello, debes tener en cuenta la variabilidad individual respecto a la tendencia, modelizada por

\(Y\)₁₈₀ \(\sim N(m\)₁₈₀\(, s^2)\)

Con este modelo, simularás predicciones de peso bajo cada conjunto de parámetros plausibles a posteriori en weight_chains.

Este ejercicio forma parte del curso

Modelado bayesiano con RJAGS

Ver curso

Instrucciones del ejercicio

Usa rnorm() para simular una única predicción de peso con los parámetros de la primera fila de weight_chains.
Repite lo anterior usando los parámetros de la segunda fila de weight_chains.
Simula una única predicción de peso bajo cada uno de los 100.000 conjuntos de parámetros en weight_chains. Guarda estas predicciones como una nueva variable Y_180 en weight_chains.
Imprime las 6 primeras filas con los valores de parámetros y las predicciones en weight_chains.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Simulate 1 prediction under the first parameter set
rnorm(n = 1, mean = ___, sd = ___)

# Simulate 1 prediction under the second parameter set
rnorm(n = 1, mean = ___, sd = ___)

# Simulate & store 1 prediction under each parameter set
weight_chains <- weight_chains  %>% 
    mutate(Y_180 = rnorm(n = 100000, mean = ___, sd = ___))

# Print the first 6 parameter sets & predictions

Editar y ejecutar código