Inférence a posteriori pour la régression multivariée
La sortie de simulation RJAGS sur 10 000 itérations, rail_sim_2, est dans votre espace de travail, ainsi qu’un data frame contenant la sortie de la chaîne 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 allez utiliser ces 10 000 jeux de valeurs de paramètres pour résumer la tendance moyenne a posteriori dans les relations entre le volume du sentier, le statut de weekday et hightemp.
Cet exercice fait partie du cours
<cours>Modélisation bayésienne avec RJAGS</cours>Instructions de l’exercice
Créez un nuage de points de volume en fonction de hightemp.
- Utilisez
colorpour distinguer les jours de semaine et les week-ends. - Superposez une ligne
redreprésentant la tendance moyenne a posteriori de la relation linéaire entrevolumeethightemppour les week-ends :m = a + c Z - Superposez une ligne
turquoise3représentant la tendance moyenne a posteriori de la relation linéaire entrevolumeethightemppour 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")