Prédiction a posteriori avec Poisson

Votre variable l_weekday reflète la tendance du volume les jours de semaine à 80 degrés :

> head(poisson_chains, 2)
       a b.1.    b.2.      c l_weekend l_weekday
1 5.0198    0 -0.1222 0.0141   465.924   412.324
2 5.0186    0 -0.1218 0.0141   466.284   412.829

Maintenant que vous comprenez la tendance, passons aux prédictions ! Plus précisément, allons prédire le trafic sur le sentier lors du prochain jour de semaine à 80 degrés. Pour cela, vous devez tenir compte de la variabilité individuelle autour de la tendance, modélisée par la vraisemblance \(Y\)_i \(\sim Pois(l\)_i).

En utilisant rpois(n, lambda) pour une taille d’échantillon n et un paramètre de taux lambda, vous allez simuler des prédictions de volumes de Poisson pour chaque valeur de la tendance a posteriori plausible dans poisson_chains.

Cet exercice fait partie du cours

Modélisation bayésienne avec RJAGS

Afficher le cours

Instructions

À partir de chacune des 10 000 valeurs l_weekday de poisson_chains, utilisez rpois() pour prédire le volume lors d’un jour de semaine à 80 degrés. Stockez ces valeurs sous Y_weekday dans poisson_chains.
Utilisez ggplot() pour construire un graphique de densité de vos prédictions Y_weekday.
Approximez la probabilité a posteriori que le volume un jour de semaine à 80 degrés soit inférieur à 400 utilisateurs.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>% 
    mutate(Y_weekday = rpois(n = ___, lambda = ___))
    
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) + 
    geom_density()
    
# Posterior probability that weekday volume is less 400
mean(___)

Modifier et exécuter le code