Mulai sekarangMulai gratis

Memplot model regresi Poisson

Ingat kembali struktur likelihood untuk model regresi Poisson Bayesian pada volume \(Y\)i berdasarkan status hari kerja \(X\)i dan suhu \(Z\)i: \(Y\)i \(\sim Pois(l\)i) dengan

  • \(log(l\)i\() \; = a + b \; X\)i \(+ c \; Z\)i; sehingga
  • \(l\)i\( \; = exp(a + b \; X\)i \(+ c \; Z\)i\()\)

Simulasi RJAGS sebanyak 10.000 iterasi untuk posterior model, poisson_sim, ada di ruang kerja Anda bersama dengan sebuah data frame keluaran rantai Markov:

> head(poisson_chains, 2)
         a b.1.       b.2.          c
1 5.019807    0 -0.1222143 0.01405269
2 5.018642    0 -0.1217608 0.01407691

Anda akan menggunakan hasil ini untuk memplot tren regresi Poisson posterior. Tren nonlinier ini dapat ditambahkan ke ggplot() menggunakan stat_function(). Sebagai contoh, menyetel fun = function(x){x^2} akan menghasilkan garis tren kuadratik.

Latihan ini merupakan bagian dari kursus

Pemodelan Bayesian dengan RJAGS

Lihat Kursus

Instruksi latihan

Bangun sebuah scatterplot dari volume terhadap hightemp dengan fitur berikut:

  • Gunakan color untuk membedakan antara hari kerja dan akhir pekan.
  • Tindihkan kurva red yang merepresentasikan tren regresi Poisson posterior rerata \(l\)i dari hubungan linear antara volume dan hightemp untuk akhir pekan: l = exp(a + c Z)
  • Tindihkan kurva turquoise3 yang merepresentasikan tren regresi Poisson posterior rerata \(l\)i dari hubungan linear antara volume dan hightemp untuk hari kerja: l = exp((a + b.2.) + c Z)

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Plot the posterior mean regression models
ggplot(___, aes(x = ___, y = ___, color = ___)) + 
    geom_point() + 
    stat_function(fun = function(x){___(mean(___) + mean(___) * x)}, color = "red") + 
    stat_function(fun = function(x){___(mean(___) + mean(___) + mean(___) * x)}, color = "turquoise3")
Edit dan Jalankan Kode