Mulai sekarangMulai gratis

Distribusi prediktif posterior

Data frame weight_chains (di ruang kerja Anda) memuat 100.000 prediksi posterior, Y_180, untuk berat badan orang dewasa dengan tinggi 180 cm:

> 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

Anda akan menggunakan 100.000 prediksi ini untuk mendekati distribusi prediktif posterior bagi berat badan orang dewasa setinggi 180 cm. Data bdims ada di ruang kerja Anda.

Latihan ini merupakan bagian dari kursus

Pemodelan Bayesian dengan RJAGS

Lihat Kursus

Instruksi latihan

  • Gunakan 10.000 nilai Y_180 untuk membentuk interval kredibel posterior 95% bagi berat badan orang dewasa setinggi 180 cm.
  • Buat plot kerapatan dari 100.000 prediksi posterior yang masuk akal tersebut.
  • Buat scatterplot data wgt vs hgt pada bdims.
    • Gunakan geom_abline() untuk menumpangkan tren regresi posterior.
    • Gunakan geom_segment() untuk menumpangkan garis vertikal pada hgt = 180 yang merepresentasikan batas bawah dan atas (y dan yend) dari ci_180.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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")
Edit dan Jalankan Kode