Distribuzione predittiva a posteriori

Il data frame weight_chains (nel tuo workspace) contiene le tue 100.000 previsioni a posteriori, Y_180, per il peso di un adulto alto 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

Userai queste 100.000 previsioni per approssimare la distribuzione predittiva a posteriori del peso di un adulto alto 180 cm. I dati bdims sono nel tuo workspace.

Questo esercizio fa parte del corso

Modeling bayesiano con RJAGS

Visualizza il corso

Istruzioni dell'esercizio

Usa i 10.000 valori di Y_180 per costruire un intervallo di credibilità a posteriori al 95% per il peso di un adulto alto 180 cm.
Costruisci un grafico di densità delle tue 100.000 previsioni plausibili a posteriori.
Costruisci uno scatterplot dei dati wgt vs hgt in bdims.
- Usa geom_abline() per sovrapporre l’andamento di regressione a posteriori.
- Usa geom_segment() per sovrapporre una linea verticale a hgt pari a 180 che rappresenti i limiti inferiore e superiore (y e yend) di ci_180.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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")

Modifica ed esegui il codice