Distribución predictiva posterior

El data frame weight_chains (en tu espacio de trabajo) contiene tus 100.000 predicciones posteriores, Y_180, para el peso de una persona adulta de 180 cm de altura:

> 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

Usarás estas 100.000 predicciones para aproximar la distribución predictiva posterior del peso de una persona adulta de 180 cm. Los datos de bdims están en tu espacio de trabajo.

Este ejercicio forma parte del curso

Modelado bayesiano con RJAGS

Ver curso

Instrucciones del ejercicio

Usa los 10.000 valores de Y_180 para construir un intervalo creíble posterior del 95% para el peso de una persona adulta de 180 cm.
Construye un gráfico de densidad con tus 100.000 predicciones posteriores plausibles.
Construye un diagrama de dispersión de wgt frente a hgt usando los datos de bdims.
- Usa geom_abline() para superponer la tendencia de regresión posterior.
- Usa geom_segment() para superponer una línea vertical en hgt igual a 180 que represente los límites inferior y superior (y y yend) de ci_180.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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")

Editar y ejecutar código