Distribution prédictive a posteriori

Le tableau de données weight_chains (dans votre espace de travail) contient 100 000 prédictions a posteriori, Y_180, pour le poids d'un adulte mesurant 180 cm :

> 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

Vous utiliserez ces 100 000 prédictions pour approximer la distribution prédictive a posteriori du poids d'un adulte de 180 cm. Les données bdims se trouvent dans votre espace de travail.

Cette activité fait partie du cours

Modélisation bayésienne avec RJAGS

Voir le cours

Instructions de l’exercice

Utilisez les 10 000 valeurs Y_180 pour construire un intervalle de crédibilité a posteriori à 95 % pour le poids d'un adulte mesurant 180 cm.
Construisez un graphique de densité de vos 100 000 prédictions plausibles a posteriori.
Construisez un nuage de points des données wgt par rapport à hgt dans bdims.
- Utilisez geom_abline() pour superposer la tendance de régression a posteriori.
- Utilisez geom_segment() pour superposer une ligne verticale à hgt égal à 180 qui représente les bornes inférieure et supérieure (y et yend) de ci_180.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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")

Modifier et exécuter le code