Distribution prédictive a posteriori

Le data frame weight_chains (dans votre espace de travail) contient vos 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 allez utiliser ces 100 000 prédictions pour approximer la distribution prédictive a posteriori du poids d'un adulte mesurant 180 cm. Les données bdims sont dans votre espace de travail.

Cet exercice fait partie du cours

<cours>Modélisation bayésienne avec RJAGS</cours>

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 = 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