Mulai sekarangMulai gratis

Menghitung prediksi posterior

Anda baru saja menelaah tren posterior pada berat badan \(Y\) di antara orang dewasa dengan tinggi \(X = 180\): \(m\)180 \(= a + b * 180\). Data frame weight_chains memuat 100.000 nilai masuk akal posterior untuk \(m\)180 yang Anda hitung dari nilai \(a\) dan \(b\) terkait:

> 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

Lupakan trennya — bagaimana jika Anda ingin memprediksi berat badan seorang orang dewasa spesifik dengan tinggi 180 cm? Bisa! Untuk melakukannya, Anda harus memasukkan variabilitas individu terhadap tren, yang dimodelkan oleh

\(Y\)180 \(\sim N(m\)180\(, s^2)\)

Dengan model ini, Anda akan mensimulasikan prediksi berat badan di bawah setiap himpunan parameter posterior yang masuk akal di weight_chains.

Latihan ini merupakan bagian dari kursus

Pemodelan Bayesian dengan RJAGS

Lihat Kursus

Instruksi latihan

  • Gunakan rnorm() untuk mensimulasikan satu prediksi berat badan pada pengaturan parameter di baris pertama weight_chains.
  • Ulangi langkah di atas menggunakan pengaturan parameter pada baris kedua weight_chains.
  • Simulasikan satu prediksi berat badan pada setiap dari 100.000 pengaturan parameter di weight_chains. Simpan sebagai variabel baru Y_180 di weight_chains.
  • Cetak 6 baris pertama nilai parameter dan prediksi di weight_chains.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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
Edit dan Jalankan Kode