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
Modélisation bayésienne avec RJAGS
Instructions
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 cet exemple de code.
# 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")