Mulai sekarangMulai gratis

Prediksi posterior Poisson

Variabel l_weekday Anda merefleksikan tren volume pada hari kerja bersuhu 80 derajat:

> head(poisson_chains, 2)
       a b.1.    b.2.      c l_weekend l_weekday
1 5.0198    0 -0.1222 0.0141   465.924   412.324
2 5.0186    0 -0.1218 0.0141   466.284   412.829

Sekarang setelah Anda memahami tren-nya, mari kita membuat beberapa prediksi! Secara khusus, mari memprediksi volume jalur pada hari kerja bersuhu 80 derajat berikutnya. Untuk melakukannya, Anda harus mempertimbangkan variabilitas individual terhadap tren, yang dimodelkan oleh likelihood \(Y\)i \(\sim Pois(l\)i).

Dengan menggunakan rpois(n, lambda) untuk ukuran sampel n dan parameter laju lambda, Anda akan menyimulasikan prediksi Poisson atas volume untuk setiap nilai tren posterior yang masuk akal di poisson_chains.

Latihan ini merupakan bagian dari kursus

Pemodelan Bayesian dengan RJAGS

Lihat Kursus

Instruksi latihan

  • Dari masing-masing 10.000 nilai l_weekday di poisson_chains, gunakan rpois() untuk memprediksi volume pada hari kerja bersuhu 80 derajat. Simpan sebagai Y_weekday di poisson_chains.
  • Gunakan ggplot() untuk membuat plot kepadatan dari prediksi Y_weekday Anda.
  • Perkirakan probabilitas posterior bahwa volume pada hari kerja bersuhu 80 derajat kurang dari 400 pengguna.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>% 
    mutate(Y_weekday = rpois(n = ___, lambda = ___))
    
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) + 
    geom_density()
    
# Posterior probability that weekday volume is less 400
mean(___)
Edit dan Jalankan Kode