Inférence a posteriori pour la régression multivariée

La simulation RJAGS de 10 000 itérations, rail_sim_2, se trouve dans votre espace de travail, ainsi qu'un tableau de données contenant la sortie des chaînes de Markov :

> head(rail_chains_2, 2)
         a b.1.      b.2.        c         s
1 49.76954    0 -12.62112 4.999202 111.02247
2 30.22211    0  -3.16221 4.853491  98.11892

Vous utiliserez ces 10 000 jeux uniques de valeurs de paramètres pour résumer la tendance moyenne a posteriori des relations entre le volume du sentier, l'état weekday et hightemp.

Cette activité fait partie du cours

Modélisation bayésienne avec RJAGS

Voir le cours

Instructions de l’exercice

Tracez un nuage de points de volume en fonction de hightemp.

Utilisez color pour distinguer les jours de semaine et les fins de semaine.
Superposez une ligne red qui représente la tendance moyenne a posteriori de la relation linéaire entre volume et hightemp pour les fins de semaine : m = a + c Z
Superposez une ligne turquoise3 qui représente la tendance moyenne a posteriori de la relation linéaire entre volume et hightemp pour les jours de semaine : m = (a + b.2.) + c Z

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Plot the posterior mean regression models
ggplot(___, aes(x = ___, y = ___, color = ___)) + 
    geom_point() + 
    geom_abline(intercept = mean(___), slope = mean(___), color = "red") + 
    geom_abline(intercept = mean(___) + mean(___), slope = mean(___), color = "turquoise3")

Modifier et exécuter le code