Prior yang mana?

Plot densitas di bawah ini menggambarkan 3 model prior potensial untuk \(p\), proporsi dasar pemilih yang berencana memilih Anda. Prior A merefleksikan prior Beta(45,55) asli Anda. Dalam skenario apa Prior B (Beta(1,1)) atau Prior C (Beta(100,100)) lebih tepat?

Latihan ini merupakan bagian dari kursus

Pemodelan Bayesian dengan RJAGS

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Pemodelan Bayesian dengan RJAGS

SkillTag.level.advancedSkillTag.label

4.9+

Mulai Kursus Gratis

Model Bayesian menggabungkan wawasan awal (prior) dengan wawasan dari data teramati untuk membentuk wawasan posterior yang diperbarui tentang suatu parameter. Pada bab ini, Anda akan meninjau konsep-konsep Bayesian dalam konteks model Beta-Binomial yang mendasar untuk parameter proporsi. Anda juga akan mempelajari cara menggunakan paket rjags untuk mendefinisikan, mengompilasi, dan mensimulasikan model ini di R.

Exercise 1: Model prior Exercise 2: Mensimulasikan prior Beta Exercise 3: Membandingkan dan membedakan prior Beta Exercise 4: Prior yang mana?

Latihan Saat Ini

Exercise 5: Data & likelihood Exercise 6: Mensimulasikan ketergantungan X pada p Exercise 7: Mengaproksimasi fungsi likelihood Exercise 8: Menafsirkan fungsi likelihood Exercise 9: Model posterior Exercise 10: Definisikan, kompilasi, dan simulasi Exercise 11: Memperbarui posterior Exercise 12: Pengaruh prior & data terhadap posterior

Model Bayesian Normal-Normal dua-parameter menyediakan landasan sederhana bagi model regresi Normal. Pada bab ini, Anda akan merancang model Normal-Normal serta mendefinisikan, mengompilasi, dan mensimulasikannya menggunakan rjags. Anda juga akan menelusuri mekanisme rantai Markov di balik simulasi rjags yang menghadirkan "keajaiban" tersebut.

Exercise 1: Model Normal-Normal Exercise 2: Prior Normal-Normal Exercise 3: Data studi tidur Exercise 4: Wawasan dari prior dan data Exercise 5: Mensimulasikan Normal-Normal di RJAGS Exercise 6: Definisikan, kompilasi, & simulasi Normal-Normal Exercise 7: Wawasan posterior tentang kurang tidur Exercise 8: Rantai Markov Exercise 9: Menyimpan rantai Markov Exercise 10: Plot jejak rantai Markov Exercise 11: Plot kerapatan rantai Markov Exercise 12: Diagnostik rantai Markov & reprodusibilitas Exercise 13: Multiple chains Exercise 14: Naive standard errors Exercise 15: Reproducibility

Pada bab ini, Anda akan mengembangkan model Normal-Normal menjadi model regresi Bayesian sederhana. Dalam konteks ini, Anda akan mempelajari cara menggunakan keluaran simulasi rjags untuk melakukan inferensi posterior. Secara khusus, Anda akan membangun estimasi posterior untuk parameter regresi menggunakan rataan posterior dan selang kredibel, menguji hipotesis menggunakan probabilitas posterior, serta membangun sebaran prediktif posterior untuk pengamatan baru.

Exercise 1: Model regresi Bayesian sederhana Exercise 2: Prior regresi Exercise 3: Memvisualisasikan prior regresi Exercise 4: Data berat & tinggi badan Exercise 5: Regresi Bayesian di RJAGS Exercise 6: Definisikan, kompilasi, & simulasi model regresi Exercise 7: Rantai Markov regresi Exercise 8: Estimasi dan inferensi posterior Exercise 9: Estimasi titik posterior Exercise 10: Selang kredibel posterior Exercise 11: Probabilitas posterior Exercise 12: Prediksi posterior Exercise 13: Inferensi untuk tren posterior Exercise 14: Menghitung prediksi posterior Exercise 15: Distribusi prediktif posterior

Pada bab terakhir ini, Anda akan menggeneralisasi model regresi Normal sederhana untuk diterapkan pada konteks yang lebih luas. Anda akan memasukkan prediktor kategorikal, merancang model regresi multivariat dengan dua prediktor, dan akhirnya memperluas metodologi ini ke model regresi multivariat Poisson untuk variabel cacah.

Exercise 1: Regresi Bayesian dengan prediktor kategorikal Exercise 2: Data sampel RailTrail Exercise 3: Simulasi RJAGS dengan variabel kategorikal Exercise 4: Menafsirkan koefisien kategorikal Exercise 5: Inferensi untuk volume berdasarkan hari kerja Exercise 6: Regresi Bayesian Multivariat Exercise 7: Meninjau kembali data RailTrail Exercise 8: Simulasi RJAGS untuk regresi multivariat Exercise 9: Menafsirkan parameter regresi multivariat Exercise 10: Inferensi posterior untuk regresi multivariat Exercise 11: Regresi Poisson Bayesian Exercise 12: Simulasi RJAGS untuk regresi Poisson Exercise 13: Memplot model regresi Poisson Exercise 14: Inferensi untuk parameter laju Poisson Exercise 15: Prediksi posterior Poisson Exercise 16: Kesimpulan