Calcul des prédictions a posteriori

Vous venez d'examiner la tendance a posteriori du poids \(Y\) chez les adultes de taille \(X = 180\) : \(m\)₁₈₀ \(= a + b * 180\). Le tableau de données weight_chains contient 100 000 valeurs plausibles a posteriori de \(m\)₁₈₀ que vous avez calculées à partir des valeurs correspondantes de \(a\) et \(b\) :

> 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

Oubliez la tendance : et si vous vouliez prédire le poids d'un adulte précis mesurant 180 cm? C'est possible! Pour y arriver, vous devez tenir compte de la variabilité individuelle autour de la tendance, modélisée par

\(Y\)₁₈₀ \(\sim N(m\)₁₈₀\(, s^2)\)

À l'aide de ce modèle, vous allez simuler des prédictions de poids sous chaque ensemble de paramètres plausibles a posteriori dans weight_chains.

Cette activité fait partie du cours

Modélisation bayésienne avec RJAGS

Voir le cours

Instructions de l’exercice

Utilisez rnorm() pour simuler une seule prédiction de poids avec les paramètres de la première ligne de weight_chains.
Répétez l'étape ci-dessus avec les paramètres de la deuxième ligne de weight_chains.
Simulez une seule prédiction de poids pour chacun des 100 000 ensembles de paramètres de weight_chains. Enregistrez-les dans une nouvelle variable Y_180 dans weight_chains.
Affichez les 6 premières lignes des valeurs de paramètres et des prédictions dans weight_chains.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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

Modifier et exécuter le code