Mulai sekarangMulai gratis

Inferensi untuk parameter laju Poisson

Sekali lagi, ingat struktur likelihood untuk model regresi Poisson Bayesian terhadap volume \(Y\)i berdasarkan status hari \(X\)i dan suhu \(Z\)i:

\(Y\)i \(\sim Pois(l\)i) dengan \(l\)i\( \; = exp(a + b \; X\)i \(+ c \; Z\)i\()\)

Simulasi RJAGS 10.000 iterasi atas posterior model, poisson_sim, tersedia di ruang kerja Anda bersama 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

Dengan menggunakan 10.000 set nilai wajar posterior yang unik untuk parameter \(a\), \(b\), dan \(c\), Anda akan membuat inferensi tentang volume jalur rata-rata pada hari bersuhu 80 derajat.

Latihan ini merupakan bagian dari kursus

Pemodelan Bayesian dengan RJAGS

Lihat Kursus

Instruksi latihan

  • Dari setiap set nilai parameter poisson_chains, hitung volume jalur tipikal \(l\) pada hari akhir pekan bersuhu 80 derajat. Simpan tren ini sebagai variabel baru, l_weekend, di poisson_chains.

  • Demikian pula, hitung volume jalur tipikal pada hari kerja bersuhu 80 derajat. Simpan hasilnya sebagai variabel baru, l_weekday.

  • Hitung interval kredibel posterior 95% untuk volume tipikal pada hari akhir pekan bersuhu 80 derajat dan volume tipikal pada hari kerja bersuhu 80 derajat.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Calculate the typical volume on 80 degree weekends & 80 degree weekdays
poisson_chains <- poisson_chains %>% 
    mutate(l_weekend = exp(___ + ___ * 80)) %>% 
    mutate(l_weekday = exp(___ + ___ + ___ * 80))

# Construct a 95% CI for typical volume on 80 degree weekend


# Construct a 95% CI for typical volume on 80 degree weekday
Edit dan Jalankan Kode