पोस्टीरियर प्रेडिक्शंस की गणना
आपने अभी-अभी उन वयस्कों के लिए ऊँचाई \(X = 180\) पर वजन \(Y\) की पोस्टीरियर ट्रेंड का अन्वेषण किया: \(m\)180 \(= a + b * 180\). weight_chains डेटा फ्रेम में \(a\) और \(b\) के संबंधित मानों से गणना किए गए \(m\)180 के 100,000 पोस्टीरियर plausible मान हैं:
> head(weight_chains, 2)
a b s iter m_180
1 -113.9029 1.072505 8.772007 1 79.14803
2 -115.0644 1.077914 8.986393 2 78.96014
अब ट्रेंड को भूलिए — अगर आप किसी विशेष 180 सेमी लंबे वयस्क का वजन प्रेडिक्ट करना चाहें तो? आप कर सकते हैं! इसके लिए, आपको ट्रेंड से व्यक्तिगत विविधता का हिसाब रखना होगा, जिसे इस प्रकार मॉडल किया गया है:
\(Y\)180 \(\sim N(m\)180\(, s^2)\)
इस मॉडल का उपयोग करके, आप weight_chains में मौजूद हर पोस्टीरियर plausible पैरामीटर सेट के तहत वजन के प्रेडिक्शंस सिम्युलेट करेंगे.
यह अभ्यास पाठ्यक्रम का हिस्सा है
RJAGS के साथ Bayesian Modeling
अभ्यास निर्देश
rnorm()का उपयोग करकेweight_chainsकी पहली पंक्ति के पैरामीटर सेटिंग्स के तहत वजन का एक सिंगल प्रेडिक्शन सिम्युलेट करें.- ऊपर वाला चरण
weight_chainsकी दूसरी पंक्ति के पैरामीटर सेटिंग्स के साथ दोहराएँ. weight_chainsकी 100,000 में से प्रत्येक पैरामीटर सेटिंग के तहत वजन का एक सिंगल प्रेडिक्शन सिम्युलेट करें. इनकोweight_chainsमें नए वैरिएबलY_180के रूप में स्टोर करें.weight_chainsमें पैरामीटर मान और प्रेडिक्शंस की पहली 6 पंक्तियाँ प्रिंट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Simulate 1 prediction under the first parameter set
rnorm(n = 1, mean = ___, sd = ___)
# Simulate 1 prediction under the second parameter set
rnorm(n = 1, mean = ___, sd = ___)
# Simulate & store 1 prediction under each parameter set
weight_chains <- weight_chains %>%
mutate(Y_180 = rnorm(n = 100000, mean = ___, sd = ___))
# Print the first 6 parameter sets & predictions