शुरू करेंमुफ़्त में शुरू करें

Posterior predictive distribution

weight_chains डेटा फ्रेम (आपके वर्कस्पेस में) में 180 cm लंबे वयस्क के वज़न के लिए आपकी 100,000 posterior भविष्यवाणियाँ Y_180 शामिल हैं:

> 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

आप इन 100,000 भविष्यवाणियों का उपयोग 180 cm लंबे वयस्क के वज़न के लिए posterior predictive distribution को लगभगित (approximate) करने के लिए करेंगे. bdims डेटा आपके वर्कस्पेस में उपलब्ध है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

RJAGS के साथ Bayesian Modeling

पाठ्यक्रम देखें

अभ्यास निर्देश

  • 10,000 Y_180 मानों का उपयोग करके 180 cm लंबे वयस्क के वज़न के लिए 95% posterior credible interval बनाइए.
  • अपनी 100,000 posterior सम्भावित भविष्यवाणियों का डेंसिटी प्लॉट बनाइए.
  • bdims में wgt बनाम hgt डेटा का एक स्कैटरप्लॉट बनाइए.
    • posterior रिग्रेशन ट्रेंड ओवरले करने के लिए geom_abline() का उपयोग करें.
    • geom_segment() का उपयोग करके hgt = 180 पर एक वर्टिकल लाइन ओवरले करें, जो ci_180 की निचली और ऊपरी सीमाएँ (y और yend) दर्शाती है.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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")
कोड संपादित करें और चलाएँ